考虑季节特性的多时间尺度电动汽车负荷预测模型

当前对电动汽车(Electric Vehicle,EV)充电负荷预测的研究大多集中在短期单一时间尺度,且鲜有考虑在较长时间尺度下不同季节电动汽车充电负荷存在的差异.基于此,提出一种考虑季节特性的多时间尺度电动汽车负荷预测模型.首先,考虑季节特性对EV的电池最大载电量、里程耗电量和空调耗电量的影响,结合时空分布规律建立短...     

Short-term electric load forecasting based on Kalman filtering algorithm with moving window weather and load model

This paper presents a novel time-varying weather and load model for solving the short-term electric load-forecasting problem. The model utilizes moving window of current values of weather data as well as recent past history of load and weather data. The load forecasting is based on state space and Kalman filter approach. Time-varying state space model is used to model the load demand on hourly basis. Kalman filter is used recursively to estimate the optimal load forecast parameters for each hour of the day. The results indicate that the new forecasting model produces robust and accurate load forecasts compared to other approaches. Better results are obtained compared to other techniques published earlier in the literature.     

基于遗传优化神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义。通过非参数预测法建立电力系统短期负荷预测模型,以此作为Elman神经网络训练的样本集,实现网络样本设计、结构设计与网络训练,充分发挥Elman神经网络动态特性,将改进的遗传算法和Elman神经网络相结合,通过选择,交叉、变异等遗传操作,实现了神经网络权值优化。采用基于遗传优化神经网络的电力系统短期负荷预测新算法,提高了负荷预报精度,具体算例证明了算法的可行性和有效性。     

基于遗传优化神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义.通过非参数预测法建立电力系统短期负荷预测模型,以此作为Elman神经网络训练的样本集,实现网络样本设计,结构设计与网络训练,充分发挥Elman神经网络动态特性,将改进的遗传算法和Elman神经网络相结合,通过选择,交叉、变异等遗传操作,实现了神经网络权值优化.采用基于遗传优化神经网络的电力系统短期负荷预测新算法,提高了负荷预报精度,具体算例证明了算法的可行性和有效性.     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

含有历史不良数据的电力负荷预测研究

传统负荷预测算法在历史负荷序列无不良数据的条件下已能对短期负荷做出较为理想的预测。由于实际负荷数据在监测、集抄、存储过程中难免会产生错误或有所误差,此时仍依靠传统预测算法进行负荷预测,可能在某些时间节点会引起较大误差。为了解决此问题,提出含有历史负荷序列不良数据辨识与修正能力且能对负荷进行相似度预测及负荷偏差纠正的预测模型。通过运用实际电力负荷数据进行验证,该模型能较好地避免了不良数据的干扰,有效地提高了含有不良数据的历史负荷序列的预测精度。     

Hybrid chaos search genetic algorithm and meta-heuristics method for short-term load forecasting

A hybrid chaos search genetic algorithm (CGA) /fuzzy system (FS), simulated annealing (SA) and neural fuzzy network (NFN) method for load forecasting is presented in this paper. A fuzzy hyper-rectangular composite neural networks (FHRCNNs) was used for the initial load forecasting. Then, we used CGAFS and SA to find the optimal solution of the parameters of the FHRCNNs, instead of back-propagation (BP) (including parameters such as synaptic weights, biases, membership functions, sensitivity factor in membership functions and adjustable synaptic weights). First, the CGAFS generates a set of feasible solution parameters and then puts the solution into the SA. The CGAFS has good global optimal search capabilities, but poor local optimal search capabilities. The SA method on the other hand has good local optimal search capabilities. We combined both methods to try and obtain both advantages, and in doing so eliminate the drawback of the traditional artificial neural networks (ANN) training by BP (where the weights and biases are always trapped into a local optimum, which then leads the solution to sub-optimization). Finally, we used the CGAFS and SA combined with NFN (CGAFSSA–NFN) to see if we could improve the quality of the solution, and if we actually could reduce the error of load forecasting. The proposed CGAFSSA–NFN load forecasting scheme was tested using the data obtained from a sample study, including 1 year, 1 week and 24-h time periods. The proposed scheme was then compared with ANN, evolutionary programming combined with ANN (EP–ANN), genetic algorithm combined with ANN (GA–ANN), and CGAFSSA–NFN. The results demonstrated the accuracy of the proposed load-forecasting scheme.     

基于GBDT算法的电力专项规划负荷预测研究

负荷预测是电力专项规划的重要组成部分,是规划电力设施的基础.传统的电力规划负荷预测普遍存在准确度不高、预测结果相对误差较大等问题.采用了一种基于梯度提升决策树(Gradient Boosted Decision Tree,GBDT)算法的负荷预测新方法,与传统的负荷预测方法相比,该方法的预测结果整体准确度更高,在电力规划中具有较高的实际参考价值.     

规模化电动汽车充电负荷预测

首先基于灰色预测模型、线性回归模型和BP神经网络模型的组合预测模型计算出传统汽车保有量预测曲线,并使用非线性二乘法拟合出基于Bass模型的传统汽车保有量的3个参数值。再通过基于层次分析的德尔菲法,构建传统汽车与电动汽车参数之间的关系,从而得到能预测电动汽车保有量的Bass模型。在保有量预测结果的基础上采用蒙特卡洛算法,结合用户使用电动汽车的起始充电时间、日行驶里程数、电池参数、充电效率等影响因素分别模拟城市中电动私家车,电动公交车与电动出租车的出行习惯,完成电动汽车的负荷预测。应用该方法进行电动汽车负荷预测时精度更高,效果更好。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

基于粗糙集的遗传神经网络短期负荷预测方法

结合粗糙集理论、遗传算法和神经网络的优点,提出了一种新的短期负荷预测方法一基于粗糙集的遗传神经网络负荷预测模型.由于影响短期负荷预测的因素众多,通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量.为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合.实验证明了该算法在速度和精度上都能得到了提高,此方法在短期负荷预测中是可行性、有效性.     

基于粗糙集的遗传神经网络短期负荷预测方法

结合粗糙集理论、遗传算法和神经网络的优点,提出了一种新的短期负荷预测方法-基于粗糙集的遗传神经网络负荷预测模型。由于影响短期负荷预测的因素众多,通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量。为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合。实验证明了该算法在速度和精度上都能得到了提高,此方法在短期负荷预测中是可行性、有效性。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型。它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数。同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率。通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型.它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数.同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率.通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度.     

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型.首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输...     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

Daily electric load forecasting using artificial neural network

A multilayered-type neural network is attractive for daily electric load forecasting because the neural network can acquire a nonlinear relationship among the electric load data and their factors (weather, temperature, etc.) automatically. This paper discusses first some essential issues to be considered in neural network applications. One is difficulty of obtaining sufficient effective training data, another is the influence of abnormal learning data, and one more is the inevitable outerpolation. For these issues, the following three methods are developed in order to forecast more accurately: (1) a structure of the neural networks for insufficient training data; (2) detection and diminishing the influence of abnormal data; (3) employment of interpolation network and outerpolation network with additional data for outerpolation. Furthermore, to increase the sensitivity between electric loads and factors, (4) removal of base load is developed. Those methods work effectively to decrease the average absolute errors of peak-load forecasting and 24-hour load forecasting to 1.78 percent and 2.73 percent, respectively.     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练 RBF 网络的方法,在确定网络隐含层节点个数后,将 RBF 网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数.用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景.     

基于改进RBF网络算法的电力系统短期负荷预测

提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进,并将之运用于电力系统短期负荷预测.交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素,并在预测形式上做了巧妙处理.预测结果表明改进的RBF网络算法具有一定的实用性.     

广东省电力负荷非线性预报与分析

电力负荷预报是电力系统的重要工作之一。广东电力年负荷为非线性时间序列．根据时间序列的理论与方法．在分析广东电力历史负荷非线性时间序列运动轨迹的基础上．发现其电力负荷数据可由时间序列的典型分解式表示。选择期望值为噪声项的概率模型．并采用最小二乘法拟合趋势项，再根据参数估计和数据拟合优度的检验结果对时间序列未来取值进行预报。对广东电力负荷时间序列R/S分形分析进一步表明了预报值的合理性．也预示了今后20~30年内广东电力负荷的持续稳定增长。