基于气象负荷因子的Elman神经网络短期负荷预测

针对地区电网负荷易受气候影响的特点,引入气象负荷因子,提出了一种综合考虑各项气象因素．采用Elman反馈神经网络的短期负荷预测模型。由于Elman神经网络具有动态递归性能．可增强负荷预测模型的适应性。经上海电网实际数据的预测仿真计算,证明此方法与传统神经网络预测模型相比．既能减少输入变量个数,又能有效地提高预测精度。     

基于人工神经网络的短期负荷预测的研究

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,将人工神经网络的BP、Elman、RBF三种模型用于短期负荷预测,建立了短期电力负荷预测模型,综合考虑气象、天气等影响负荷因素进行短期负荷预测.某电网实际预测结果表明,RBF比BP、Elman有更好的预测精度,更快的速度.     

计及气象因素和日期属性的短期负荷预测研究

气象因素和日期属性作为影响电力负荷的主要因素,近年来已成为负荷预测技术研究的焦点。为了既简洁又全面地表征各气象因素对负荷的影响,利用主成分分析法对多变量气象因素进行降维处理,得到综合气象指标。同时对日期属性进行量化评估,并利用思维进化算法优化Elman神经网络的权值阈值,提出MEA-Elman预测模型。最后以甘肃某地区实际负荷为例,表明了该方法能够有效提高配电网短期负荷的预测准确度。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

基于大数据分析的混沌神经网络模型在负荷预测中的应用

利用大数据分析方法对石家庄地区小时负荷数据的混沌特性展开数据挖掘分析,并综合考虑负荷历史数据、气象因子等影响因素,建立了基于混沌理论与神经网络相结合的负荷预测模型,并利用该模型对石家庄地区短期电力负荷进行了有效的预测。     

基于Elman神经网络的负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一,其负荷变化具有明显的周期性,文章采用Elman神经网络与BP神经网络建立模型,提出了一种基于神经网络的负荷预测方法.对某电网实际历史数据进行仿真预测,经研究发现,Elman模型具有收敛速度快、预测精度高的特点,同时表明利用Elman回归神经网络建模对莱电网负荷进行预测是完全可行的,在负荷预测领域有着较好的应用前景.     

考虑气温和时间因素的短期电力负荷预测

针对传统的Elman神经网络模型预测存在准确度不高的问题,提出了考虑影响因素的改进型Elman神经网络短期负商预测模型。用人工鱼群算法优化Elman神经网络预测模型的权阈值,使Elman神经网络模型收敛速度更快,准确度更高。以气温因素和时间因素作为模型输入量,分别预测工作日、非工作日和节假日的负荷。Matlab仿真结果表明,考虑影响因素的改进型Elman神经网络预测模型准确度更高,     

基于纵横交叉算法与Elman神经网络的短期负荷预测研究

提出一种基于纵横交叉算法与Elman神经网络的负荷预测模型。考虑到电力系统负荷受气象、节假日因素、冲击负荷等影响,首先对原始负荷数据进行处理,再用纵横交叉优化后的Elman神经网络对处理后的数据进行训练,得到预测值。本文以广东省某地区电网负荷为实例,结合电网实际影响因素,建立负荷预测模型。仿真结果表明,本文预测模型具有较高预测准确性和稳定性。     

气象因子与敏感负荷分析的新思路

在采用相关度系数分析方法寻找负荷与气象因子间的关系的基础上,提出了用神经网络的方法建立气象敏感负荷与各气象因子间的独立关系模型,最终得到负荷与气象因子的综合模型,并用杭州地区2006年1月至2007年8月的负荷与气象数据对该综合模型进行验证,预测结果表明该方法可行。     

基于FOA_Elman神经网络的微网短期负荷预测

为适应微网的建设和发展对其负荷预测效率及精度的要求,针对微网负荷基数小、间歇性、随机性大等特点,提出一种基于果蝇优化算法(fruit fly optimization algorithm,FOA)优化Elman神经网络的微网短期负荷预测模型。考虑到微网负荷受气象因素累计效应的影响,引入人体舒适度指数以降低输入向量维数。为克服常规学习算法收敛速度慢、易陷入局部最优解、编程复杂等缺陷,利用具有全局寻优性能的FOA对Elman神经网络的结构、权值和阈值进行优化,并以国内某微网示范工程项目为例,将FOA_Elman神经网络用于微网短期负荷预测。仿真结果表明,所提出的预测模型优于常规Elman神经网络模型,更具应用价值。     

基于小波变换和优化的Elman神经网络的光伏功率预测

准确地预测光伏发电功率,有利于提高电网系统运行的可靠性和经济性。分析各个气象因素对光伏发电功率的影响,确立了关键的气象因素,并利用小波分析获得气象因子样本集和光伏功率样本集不同频带下的小波系数作为神经网络的输入训练集,结合Elman神经网络建立不同天气条件下的光伏功率预测模型。提出基于自适应遗传算法优化的Elman神经网络模型,优化后的Elman神经网络在晴天、阴天、雨天3种情况下预测值的平均相对误差率分别为5.43%、8.26%、14.15%,相较于Elman神经网络分别降低了13.16%、16.61%、17.33%,改善了Elman神经网络的预测精度,提高了Elman神经网络的学习能力和泛化能力,验证了所提方法的有效性。     

Elman神经网络在电力负荷预测中的应用

利用 Matlab构建 Elman神经网络,并通过电力系统负荷预测世界竞赛提供的数据集来训练 Elman网络,从 而构建电力负荷预测模型,验证 Elman神经网络在电力负荷预测中的可行性和准确性。     

考虑气象信息的短期负荷预测

介绍了负荷预测和人工神经网络的相关知识。综合考虑了各个气象因素和综合气象指数对短期负荷预测的影响,设计了基于BP神经网络的短期负荷预测模型。利用人体舒适度和温湿指数进行预测,发现了理论预测和实际仿真的结果不同。研究发现由于风速的离散性和无规律性是导致误差的原因。以温湿指数作为输入,采用学习率可变的算法对杭州的负荷进行预测并进行了统计。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

分时电价下考虑储能调度因素的短期负荷预测模型

影响电力系统短期负荷预测的因素有多种,因此在进行短期负荷预测时,考虑的因素种类越多,预测的精度越高。在考虑环境因素的基础上,构建分时电价下考虑储能调度因素的改进鲸鱼算法优化Elman神经网络模型。在智能电网下,由于储能调度能够使传统的负荷曲线发生改变,首先在基于分时电价的基础上构建储能调度模型,对储能用户在各时段的充放电行为进行具体分析。然后由于Elman神经网络具有收敛速度慢、容易陷入局部最优等缺点,提出了一种改进的鲸鱼算法(MWOA)用于优化神经网络的权值和阈值,进一步提高了神经网络的收敛速度和全局寻优能力。最后构建考虑储能调度因素的短期负荷预测模型,通过对某地电网2018年7月至8月的数据为例进行仿真分析,并与所提到的其他预测模型进行比较。通过误差结果分析可知所提方法的预测精度更高,收敛速度更快。     

基于EEMD-样本熵和Elman神经网络的短期电力负荷预测

针对电力负荷序列的非线性、非平稳性等特点,提出了一种基于集总经验模式分解EEMD-样本熵和El-man神经网络的短期负荷预测方法。为了减小电力负荷序列局部分析的计算规模以及提高负荷预测的精度,先利用EEMD-样本熵将原始电力负荷序列分解成一系列复杂度差异明显的子序列;然后在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测;最后将各子序列的预测结果叠加得到最终预测值,并对EUNITE国际电力负荷预测竞赛公布的数据进行仿真实验。仿真结果表明该方法能有效地提高负荷预测的精度。     

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。     

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。     

基于改进型Elman神经网络的短期电力负荷预测

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。