基于级联网络的短期电力负荷预测研究

电力系统负荷预测通过对历史数据分析,预测未来需求,利用经典的Kohonen网络、Elman神经网络和粒子群优化算法建立级联网络预测模型,为了对电力系统短期精确预测,提出了处理非线性问题和解决负荷预测问题.对级联网络预测模型不但能够综合各种单一预测模型的优点,而且能够随时间的推移使结构不断变化,可以减少负荷预测的工作量.用三种神经网络模型进行短期电力负荷预测的仿真结果比较,验证了级联网络预测算法的有效性和良好的应用前景.     

模糊神经网络在电力短期负荷预测中的应用

提出用于电力短期负荷预测(SILF)的一种模糊神经网络(FNN)方法，该方法针对BP网络收敛速度慢、易导致局部极小值的缺点，将考虑气候、温度、星期类型等影响因素的模糊技术与快速二阶BP网络相结合，并以南方电网负荷预测为例，应用MATLAB蚀语言对系统进行仿真训练，测试结果表明，该方法具有较高的预测精度。     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高.     

电力系统短期电力负荷预测仿真研究

在短期电力负荷准确预测的研究中,由于模型存在随机、时变、非线性等特点,用传统的神经网络进行预测结果往往不是很理想.为了提高预测的准确率,在建模之前,先通过相似日法选出与预测日总体相似度较高的负荷数据作为输入数据,提高待预测数据与训练数据之间的相关性.然后通过动态模糊神经网络来进行预测.减小建模的复杂性并提升建模速度.最后用EUNITE提供的电力负荷数据来进行仿真,仿真表明相似日和动态模糊神经网络结合的方法预测结果较为理想,提高了预测的准确率.     

基于模糊逻辑和神经网络的短期电力负荷预测

本文分析了天气和节假日对电力负荷的影响 ,建立了神经网络和模糊逻辑相结合的综合预测模型进行短期负荷预测。预测结果经两步得出 ,首先训练神经网络 ,令其预测基本日负荷曲线 ,然后利用模糊逻辑根据天气因素以及是否节假日等情况对负荷曲线进行修正 ,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析 ,取得了令人满意的结果。     

电力系统短期负荷预测的一种模糊建模方法

预测问题在科学技术领域有着广泛的应用背景。本文介绍了一种短期负荷预测的模糊建模方法，基于三角形隶属函数和卡尔曼滤波器，辨识出电力系统的动态模型，并把辨识模型的仿真结果与系统实测值相比较，以检验模糊模型的可靠性。仿真结果表明，这种新的模糊建模方法具有较高的精度，为高度复杂的非线性电力系统模型化提供了一条新途经。此方法利用河北省某一地区具体的数据进行检验．得到了满意的结果。     

混合模型神经网络在短期负荷预测中的应用

提出了可应用于电力系统负荷预测的混合模型神经网络方法,该方法同时具有电力系统负荷预测的传统方法的优点及人工视网络方法的优点,该方法中,不同的负荷分量采用不同类型的预测方法,并采用基本绵谐振分量作神经网络的输入,神经网络的训练采用快速的学习算法进行,该方法具有很强的实时性和适应性,适用于没有气象资料的应用场合,仿真计算的结果表明,预测精度较传统来得高。     

人工智能在电力系统短期负荷预测中的应用

短期负荷预测是能量管理系统(EMS)的重要组成部分。本文对人工智能在电力系统短期负荷预测中的应用,包括专家系统、模糊预测、神经网络、支持向量机,进行系统地综述和分析,指出现有各种方法的优缺点,并提出今后短期负荷预测的发展方向。     

基于SGOA神经网络的短期负荷预测

短期负荷预测的结果对电力系统的经济效益具有重要影响。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

基于多层融合神经网络模型的短期电力负荷预测方法

针对传统的短期电力负荷预测模型存在的预测精度不高和滞后性的问题,本文提出一种基于卷积神经网络、长短时记忆网络和注意力机制下的混合神经网络模型来进行预测。利用卷积层对多维的电力数据影响特征进行提取,过滤筛选其非重要影响因子,完成电力数据相关特征的映射变换,再通过长短时记忆网络层的循环,对时序性电力数据特征选择性提取,最后利用注意力机制添加重要特征的权重,经Adam算法优化后输出电力负荷预测的结果。依靠GPU强大的算力支撑来解决预测数据时的实时性问题,凭借多融合神经网络的手段来提高其预测精度。经由算例验证,所提出模型真实可靠,预测质量显著优于其他传统模型。     

基于神经网络优化组合的短期负荷预测

通过对电力负荷变化规律和影响因素的分析,集结多种单个模型所包含的信息,进行最佳组合,提出了在单一模型预测结果基础之上的基于神经网络的优化组合预测,确定了网络训练样本和隐含层的个数,可使提前一天的预测精度较传统预测模型有较大提高。并当发现某一点预测误差过大,可对该点利用文中提出的误差灰色模型修正预测结果,这样不仅可提高整体预测精度,更重要的是减小最大预测误差值和减少大预测误差发生的次数。仿真结果验证了该预测模型的可行性和有效性。     

基于神经网络的负荷预测仿真研究

提高电力负荷预测精度有利于电力部门的安全生产,有利于合理安排电网运行方式和机组的检修计划,有利于系统的合理规划和经济运行。为了提高短期负荷预测的精度,把自相关函数的概念应用到反向传播(Back Propogation,BP)神经网络输入变量选择中,通过MATLAB仿真软件建立负荷预测模型。最后对某电力系统1d的负荷进行预测,仿真结果验证了该模型的可行性和有效性。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。     

电力电量预测的神经网络方法

本文依次将前六个月用电量作为输入值,第七个月用电量作为输出值,建立BP神经网络结构,根据历史数据对神经网络进行训练,并通过预测试验,对预测网络进行检验,结果表明利用神经网络方法对全国用电量进行预测是可行的.     

基于BP神经网络的电力系统负荷预报

电力系统负荷变化易受多方面因素的影响,负荷曲线呈现出强烈的非线性。而BP神经网络具有较强的非线性映射特性,它只需输入输出样本数据而不需要做复杂的相关假定即可完成系统的建模。通过实验证明将该方法用于电力系统负荷的预报是有效可行的。     

融合级联LSTM的短期电力负荷预测

随着我国清洁能源的快速发展,分布式光伏电站得到了大力推广.在光伏电力系统运维中,电力负荷预测是影响分布式光伏电站发电、储能、传输等多个环节进行优化配置的关键因素.针对电力负荷的预测问题,提出了一种级联长短期记忆模型,将电力负荷预测划分为两个阶段:第一个阶段提取电力负荷的周期性特征,得到总体的变化趋势;第二个阶段提取负荷...     

基于EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%, 1.866%, 1.191%,0.026%, 1.559%, 0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.