基于人体舒适度日特征向量的PSO-NN短期负荷预测

通过详细分析负荷特征,结合平均风速、最大风速等8项气象数据,引入风寒指数、炎热指数和人体舒适度用以综合考量气象对负荷的累加影响。同时,通过构建日特征性向量,分别对不同季节采用不同的特征向量选择相似日。利用粒子群(PSO)优化神经网络(NN)的权值和阈值,从而降低了计算规模和提高预测准确性。算例表明,该方法能够针对不同季节特点,选取较合适的相似日,算法收敛速度快、有较高的预测精度和较强的适用性。     

人体舒适度指数在短期电力负荷预测中的应用

针对地区电网负荷易受多种气象因素影响的特点,引入人体舒适度这一气象新概念,综合分析天气因素对用电负荷的影响,并在人工神经网络法短期电力负荷预测的输入单元中,以人体舒适度指数代替温度、风速、相对湿度。经长春电网实际数据预测计算,证明此方法与引入人体舒适度指数前相比,可减少输入单元的个数,提高负荷预测精度。     

基于动态自适应神经网络和人体舒适度的短期负荷预测

针对BP(Back Propagation)神经网络的适应性较差的问题,提出了自适应神经网络的模型,并将其应用到短期负荷预测中。在神经网络进行数据训练时,对于大量的训练数据,提出采用动态自适应的方式进行处理。分析了实时气象因素对短期负荷的影响,以人体舒适度作为气象因子的处理模型。采用杭州地区数据对提出的模型进行验证,与BP模型预测的结果对比,具有更快的预测速度、更高的预测精度。所构建的预测模型具有很好的适应性,并充分考虑了气象因素、日期类型,预测结果表明所提出的预测方法是有效且实用的。     

考虑人体舒适度的扩展短期负荷预测新方法

扩展短期负荷预测源于滚动发电计划的制定,在原计划与实际负荷发生较大偏离(大于3%)时,精确的扩展短期负荷预测有利于制定科学合理的滚动发电计划.运用多种人体舒适度选取相似日是以负荷求导法的思想,综合分析天气因素对用电负荷的影响,提出了考虑多种人体舒适度的相似日的扩展短期负荷预测方法.研究结果表明,该方法在保证运算速度的同...     

温度、人体舒适度对地区短期负荷预测的影响

通过上海市东供电公司2000年～2002年夏季温度与负荷数据实例，针对上海地区空调负荷比重日趋增大的特点，分析了天气因素中温度及舒适度对短期负荷预测的影响。具体分析了上海夏季负荷与温度的关系，找出了夏季初期积温效应及空调负荷逐渐增加的负荷特点；分析了夏季降温时温度负荷的变化规律以及最高负荷的饱和趋势。重点分析了负荷与舒适度温湿指数的关系，在此基础上，提出了提高地区短期负荷预测水平的具体建议。     

人体舒适度在短期电力负荷预测中的应用

通过在短期电力负荷预测中引入人体舒适度这一气象新概念,综合考虑了天气变化因素对用电负荷的影响,使得在实际预测过程中减少了人工神经网络法中的输入单元,加快了网络收敛速度,明显提高了电力负荷预测精度。     

基于舒适度的多变量混沌短期负荷预测

针对电力短期负荷预测精度较低的问题,在多变量混沌短期负荷预测基础上,选取负荷时间序列和人体舒适度指数时间序列作为变量,分析人体舒适度指数对负荷的影响,提出一种基于人体舒适度的多变量混沌短期负荷预测方法,采用互信息法求取延迟时间,再由延迟时间求得嵌入维数,最后进行相空间重构,重构好的混沌序列作为径向基神经网络的输入,由此求得预测负荷值,并与基于温度的多变量混沌负荷预测相比较,通过计算实例,验证了基于人体舒适度指数的负荷预测优于基于温度的负荷预测。     

人体舒适度指数对用电负荷的影响

通过引入人休舒适度指数这一气象新概念，对电网负荷与气象变化之间的关系进行相关性、离散性和灵敏度分析。通过对南京电网的分析可得，相对于日最高气温、日最低气温而言，使用人体舒适度指数更能准确表明日最大负荷的变化。     

基于人体舒适度指数的夏季负荷特性分析

针对夏季气象因素对日峰荷的影响,在总结常规负荷特性分析缺陷的基础上,提出用人体舒适度作为综合气象指标来反映其对日峰荷的影响.以综合考虑温度、湿度、风速等因素的综合气象指数为切入点,并以其为关联变量建模,在对历史负荷数据进行处理的基础上探讨日峰荷随气象变化的规律,从而为今后更准确地预测日峰荷和建立合理、实用的数学模型进行必要的理论准备.     

基于日特征量相似日的PSO-SVM短期负荷预测

通过引入人体舒适度指数,综合分析了气象因素对电力负荷的影响,并加入星期类型、日天气类型、日期差3个主要影响因素,构成了日特征向量,采用求取相似度的方法来选取相似日,利用相似日的日特征向量和负荷数据来建立PSO-SVM预测模型。经2001年EUNITE负荷预测竞赛的数据预测分析表明,该方法适应性较强,能够选取较合适的相似日,有较高的预测精度和推广能力。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于小时气象因子的神经网络短期负荷预测模型

目前在短期负荷预测模型中,气象因子的应用主要是其日特征值。负荷对气象因子的响应具有实时性的特点,因此,小时气象因子在负荷预测模型中的应用对提高负荷预测精度具有积极作用。通过分析小时温度、湿度、云量、降水、风等气象因子对电力负荷的影响,并与日气象因子的影响进行对比分析,结果表明:小时气象因子对负荷的影响与日气象因子对负荷的影响特征有很大不同,尤其是在天气发生突然变化时,小时气象因子对电力负荷的影响比日气象因子的影响更加显著。建立了基于小时气象因子的神经网络短期负荷预测模型,预测效果较好。针对目前气象部门对小时气象因子的预测能力及其在实际负荷预测中的应用情况,总结了应用中存在的问题并提出改进策略。     

一种基于进化算法的小波神经元短期负荷预测方法

提出了一种新的小波神经元网络(WNN)短期负荷预测方法。小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性。采用Morlet小波作为激活函数,应用进化算法学习网络的输入和输出之间的非线性关系。为解决小的训练误差并不表现为小的预测误差的问题,提出了一种自学习隶属度分析聚类的训练样本的选择方法。应用2002年某省电网的负荷数据和气象资料建模预测,结果表明本预测模型具有较高的预测精度和运行稳定性,普适性较好。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于同伦神经网络的短期负荷预测研究

将同伦方法引入到神经网络的学习训练中,提高了神经网络的学习效率,较好地解决了BP神经网络收敛速度慢和局部极小值等问题.同伦神经网络具有稳定性强,收敛性好的特点,用这种神经网络进行了电力系统短期负荷预测,算例表明了网络收敛快、预测精度高的优越性.     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

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。本方法适合在短期负荷预测中使用 ,具有较好的预测精度。     

基于智能相似日识别及偏差校正的短期负荷预测方法

在传统负荷预测理论的基础上,提出了基于智能相似日识别及偏差校正的新型短期负荷预测方法。首先构建地市—相关因素特征矩阵,通过判断矩阵相关性智能选取负荷相似日,从而实现负荷曲线的一次预测。在此基础上,建立了实时气象偏差校正策略,采用XGBoost算法进行负荷曲线的二次偏差校正,达到短期负荷预测的目标。算例研究表明,该策略能够有效提升短期负荷预测精度,而且具有较好的自适应特性,可以应用于电力系统短期负荷预测实践。     

基于时序分析的神经网络短期负荷预测模型研究

在负荷预测中，历史负荷数据产生的复杂性和许多不确定因素影响的随机性，使观测到的数据既包含线性部分，又包含许多非线性部分，因此所建立的预测模型就必须综合考虑这2方面的因素。目前常用的预测技术很少能综合考虑这两方面的因素．预测精度选不到要求。本文提出了一种时序分析和神经网络结合的预测方法。由于时序模型中不同阶数的自回归移动平均适合线性预测，可利用自回归移动平均模型(ARMA)处理历史负荷数据中的线性部分；而神经网络模型适合非线性预测，可利用人工神经网络(ANN)模型处理历史负荷数据的非线性部分：这样所建立的模型有机地结合了历史负荷中的线性因素和非线性因素．利用不同模型的优势来处理数据的不同部分，使得预测结果更为准确。实证证明。ARMA-ANN组合预测能提高负荷预测的精度。     

基于ARIMAX模型的夏季短期电力负荷预测

夏季城市的短期电力负荷预测不仅与过去的电力负荷数据有关,并且受温度、风力、降水量等因素影响明显,存在明显的突变结构。为了对夏季城市的短期电力负荷进行预测,根据协整理论采用SAS软件建立起电力负荷序列与输入序列"温度"之间的ARIMAX模型,充分挖掘序列的内部自相关信息以及序列与序列之间的相关关系。采取最小信息量准则"AIC-SBC"进行比较可知,ARIMAX模型比经典时间序列ARMA模型的信息量要小,相对误差更小,拟合结果更为精确,在存在突变结构且具有显著影响因素的短期电力负荷预测领域具有很高的应用价值。