基于小波分解的电力系统短期负荷预测方法研究

为提高预测精度,提出一种基于负荷分解的电力系统短期负荷预测方法。即将负荷分成周期性不同的几部分,对分解后的各负荷序列通过相匹配的神经网络方法进行预测,并考虑温度因素的影响,采用线性回归模型对神经网络预测结果修正得到最终预测结果,预测结果与实际数据对比得出,预测方法更具准确性。     

激励函数可调的混沌神经网络短路负荷预测

为提高BP神经网络的收敛速度并避免陷入局部极小,提出了一种多参数可调激活函数的人工神经网络,推导出相应的BP学习算法并将改进的BP算法和混沌优化算法相结合,使混合算法的学习向全局最优方向进行以不至于陷入局部极小。在非线性函数仿真和短期负荷预测的研究中,该算法和传统BP算法的对比试验显示,改进算法的收敛速度更快、预测精度更高。     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

基于相关因素映射和神经网络的短期负荷预测

由于气象因素对电网负荷影响巨大,在进行短期负荷预测时必须考虑气象因素的影响。在处理负荷与相关因素之间的非线性关系时,神经网络具有其自身的优势,而如何量化不同量纲的相关因素对电网负荷的影响是一个难题。本文提出了一种基于相关因素映射和神经网络的短期负荷预测方法,训练结果表明,这种方法较传统的人工神网络预测方法精度有所提高。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

基于模式识别的自适应短期负荷预测系统

短期电力负荷预测是电力调度部门制定发电计划的依据,预测系的灵活适应性是实现电网经济运行的重要保证。在分析影响日电力负荷主要因素的基础上,给出了用于日荷预测的负荷模式定义,基于海明距离给出了负荷模式相拟度的计算方法,有效实现了预测负荷所需要的历史负荷模式样本的抽取。利用人工神经网络实现由历史负荷模式到预测负荷的映射。基于C＋＋面向对象的程序设计方法开发了一套灵活的智能自适应短期预测系统。多个用户的应用结果表明,本系统具有很好的实用性和满意的预测结果。     

BP神经网络在计及气温因素的短期日负荷预测中的应用

随着社会经济的快速发展，空调及取暖负载在总用电负荷中的比重日益增加，气温变化引起的负荷波动趋势越来越明显。通过分析2006年6～8月份金华市总用电负荷和气温数据，提出在传统短期负荷预测方法上增加气温数据作为辅助输入变量，对于提高短期日负荷预测精度、增加电力系统调度效率以及缓解区域供电不足等方面具有重要意义。     

基于小波包分解与循环神经网络的综合能源系统短期负荷预测

文章提出了基于小波包分解(wavelet packet decomposition,WPD)与循环神经网络的电冷热综合能源短期负荷预测方法。利用能够突出负荷细节特征的小波包对电冷热负荷进行频段分解,分析每一频段中电冷热负荷的互相关性。为体现每一频段中电冷热负荷的互相关性对预测结果的影响,将频段中互相关性较强的负荷类型放入同一处理负荷自相关性的循环神经网络模型中进行预测;频段中互相关性较弱的负荷类型则单独进行预测。与直接将电冷热负荷放入同一个循环神经网络进行预测相比,以及与将电冷热负荷通过同一个反向传播神经网络进行预测相比,所提方法考虑了综合能源在不同频段内电冷热负荷的互相关性和电冷热负荷本身的自相关性,能够有效降低负荷预测的平均绝对百分比误差。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑到气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。适合在短期负荷预测中使用 ,具有较好的预测精度     

基于级联神经网络的短期负荷概率预测新方法

针对负荷历史数据的统计特征,提出一种基于RBPN网络和RBF网络的级联神经网络预测方法.本模型将历史负荷与其相对应的影响因素进行模式分类,由最大后验概率判别准则确定待预测日影响因素的模式,并利用其对应模式样本数据进行负荷预测.该算法减少了训练样本的数量,提高了预测精度,最后给出的算例证明该方法是合理有效的.     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

基于改进型Elman神经网络龋短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度。提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层。增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

基于级联神经网络的短期电力负荷预测

文章基于神经网络理论,针对武汉地区电力负荷曲线的特点,提出了采用级联神经网络进行电力负荷预测的模型,实例计算表明,该方法具有较高的预测精度和较强的适应能力。     

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型.与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归.采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力.对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预测。用了改进的BP学习算法,以提高训练的收敛速度。预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的。     

基于超短期负荷预测的智能配电网状态估计

状态估计作为智能配电网自愈控制的数据出口和态势感知工具的核心板块,需要在1个数据采集周期内对全网进行1次状态估计计算,传统的配电网状态估计算法不能满足以上要求,需要研究高效的配电网状态估计算法。提出了一种基于超短期负荷预测的智能配电网的状态估计方法,为自愈控制状态评估模块和潮流计算模块提供所需数据。该算法将预测速度快、预测精度高的超短期负荷预测技术引入智能配电网状态估计,实时预测节点负荷,实现了配电系统节点负荷的实时跟踪;采用指数函数抑制不良数据的影响,提高了状态估计的精度;利用配电网潮流计算的前推回代算法计算状态变量的初始幅值和相角,提高了算法的收敛性;考虑了分布式电源接入,体现了智能电网透明开放的特点。基于IEEE36节点标准算例的计算分析,验证了算法的有效性。     

基于小波神经网络的风电功率预测

风力发电是新能源发电中技术之一,对促进电力工业调整、减少环境污染、推进技术进步具有重要意义.然而,目前风力发电的大规模使用还存在一定的难度,开展风电场功率预测的研究势在必行,基于小波理论及神经网络的方法,开展相应的研究.     

一种改进的短期负荷预测方法

采用三层BP型人工神经网络来建立短期负荷预测模型,将影响负荷的主要因素:系统的基本负荷、温度的差异、天气的改变和日期的类型(工作日与节假日)作为数据样本,进行网络的自我训练和学习,并且在训练和学习的过程中引入误差反方向传播算法(即BP算法)来修正神经网络的连接权重,从而达到对负荷预测模型的改良和完善,进一步贴近实际的负荷变化。同时,将因电力线路或设备的检修损失的负荷量也作为影响因素进行了考虑,从而得出更精确的预测负荷值。在实际的负荷预测算例中,上述的预测思路得到了较好的印证,其预测的精度也较高。     

一种基于模糊逻辑和神经网络的短期负荷预测的方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,采用了具有高度非线性映射能力的人工神经网络与具有较强结构性知识表达能力的模糊逻辑相结合的算法来预测负荷,经初步测试表明,该方法具有良好的预测精度。