神经网络在电力负荷预测中的应用

简述了神经网络的基本特点,分析了神经网络在超短期、短期和中长期负荷预测中的应用。     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了优化组合预测模型,从而将几个电力负荷预测模型有机地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。文中采用了进化规划作为优化方法,对盐城市的供电量和负荷预测的历史数据进行了优化分析计算,得到了满意的结果,并对盐城市２０００年负荷进行了预测。     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了组合预测模型,通过综合单一预测模型的优点,得出更为准确的结果.文中通过引入2个参数,将组合模型问题转化为极值问题,采用进化规划作为优化方法.最后运用文中所述的组合预测方法与传统的几种单一模型,分别对盐城市区的供电量和最高负荷的历史数据进行计算,比较发现组合预测模型的预测误差要小于任一单个...     

电力负荷的模糊预测方法

提出了一种组合式的模糊短期负荷预测方法。通过对负荷历史数据的离线动态学习，训练出 有关参数，经过模糊推理获得提前一步的负荷预测。系统中引入闭环模糊控制方法用以在 线消除预测误差，并设计了自适应的输出修正算法以排除可能存在的扰动影响。在描述模糊 负荷预测系统的设计、实现和应用的同时，还提出了一些负荷预测中所遇到的问题的解决方 法。     

银川市短期电力负荷预测方法研究及应用

介绍了短期电力负荷的预测方法,对银川市2011年短期电力预测结果进行分析比较,为本地区电网平衡与系统稳定提供参考,并对进一步提高预测准确性提出了建议。     

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。     

非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

最优组合预测方法在电力负荷预测中的应用

将负荷预测问题视为一个多目标决策问题,提出了一种多层次结构的最优组合预测方法。在数据优化的同时,还考虑到了人的判断,因此可将该方法应用于长期负荷预测中。算例结果表明,本文所提出的层次分析最优组合预测法具有较高的预测精度,预测结果有一定的可靠性。     

电力负荷预测系统的管理应用

为了加强计划用电管理工作,使电网的安全稳定运行和电力有序供应,通过对负荷预测、负荷考核、限电管理的应用,提高了电能的利用效率,缓解日趋严重的供用电矛盾,在对数据进行统计挖掘的基础上进行综合分析,为电网的调度管理和规划建设提供辅助性决策依据。     

基于数据挖掘的FNN短期电力负荷预测方法研究

针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度.鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型.通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度.     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

应用软计算和数据挖掘的短期负荷预测

负荷预测分为坏数据处理和预测建模2个步骤，目前尚无一种系统化的有效方法对坏数据进行精确的辨识。模糊系统是多因素短期负荷预测建模的一种较好的方法，但其结构辨识是一个难点，文中将数据挖掘思想和软计算方法相结合，较好地解决了上述问题，并对实际数据加以分析，获得了良好效果。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

改进范例推理在短期负荷预测中的应用

范例推理是人工智能领域中一种新兴的推理方法,基于范例的推理就是充分利用以前的经验进行推理,求解新问题的过程。文中针对短期负荷预测具有明显周期性的特点,提出了基于范例推理的短期负荷预测方法。首先说明了范例的表示、组织方法,然后选择合适的量度方法进行范例的检索、匹配,最后将得到的最相似范例集进行重用、修正,得到最终预测结果。在范例表示中,使用粗糙集方法为范例属性特征的选择及权重的确定问题提供了一个合理的方法。经实例验证和比较,基于范例推理的负荷预测方法在提高预测精度方面具有明显的优越性。     

基于数据挖掘技术的短期电支负荷预测

负荷预测是电力市场技术支持系统的一个重要组成模块,对电网的安全、经济运行具有重要的意义。负荷预测主要综合考虑系统的运行特性、社会影响、自然条件以及增容决策等因素,在历史负荷数据的基础上,进行一系列数学计算,在满足一定精度要求的情况下,得出未来某特定时刻的负荷值。传统短期电力负荷预测方法易受随机因素的干扰,尤其在小水电分布众多的地区预测精度不高。文章针对短期负荷预测的特点,将数据挖掘技术引入短期负荷预测中,并给出了系统的解决方案,可应用于小水电众多的电网环境或类似环境。实例运算表明该系统可有效地提高预测精度。     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

运用相似日和LSTM的短期负荷双向组合预测

为了提高短期电力负荷预测精度,提出了运用相似日选择与长短期记忆的短期负荷双向组合预测方法.首先,以关联度大小为标准,根据归一化后的待预测日气象因素序列确定数据集;然后,使用长短期记忆神经网络分别进行横向预测和纵向预测,利用最小方差法计算每一个采样点的横向、纵向预测值的权重,得出双向组合预测结果;最后,充分考虑气象因素对...     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

分步预测法在省级电网短期负荷预测中的应用

各地市负荷特性千差万别,单纯的利用省端历史负荷数据以及全省综合气象要素进行预测会产生较大误差,故提出一种分步预测的短期负荷预测方法。在分析省调负荷的组成以及不同类型地区负荷预测方法的基础上,通过查找网损相似日和厂用电率,利用下级电网上报的计划负荷对网损和厂用电进行有效预测,进而得到次日全省发电计划。分析表明,该方法能充分反映省调负荷各组成成分的变化情况,一定程度上提高了省调负荷预测准确率。通过南方某省短期负荷预测系统的实际应用证明了所提出方法的有效性。