基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

地铁供电系统短期负荷预测系统设计

基于地铁供电系统短期负荷预测是电力系统短期负荷预测精细化研究的需要,本文对地铁供电系统短期负荷预测系统进行了设计。系统由负荷统计模块、负荷数据调用模块、负荷预测模块、预测误差统计模块、图形输出模块和数据输出模块等6个模块组成,在负荷预测模块中构造了基于脉冲神经网络的地铁供电系统短期负荷预测模型,用该预测模型对地铁供电系统短期负荷进行预测,并将预测结果与传统BP-NN预测模型进行对比。结果表明,脉冲神经网络预测模型的平均预测误差降低了2%以上,比BP-NN预测模型的平均预测误差明显降低,表明脉冲神经网络预测模型的预测精度明显优于BP-NN预测模型,从而验证了地铁供电系统短期负荷预测系统采用脉冲神经网络预测模型的可行性;并且脉冲神经网络预测模型具有较好的预测稳定性,1周的预测精度稳定在7.01%~7.80%区间内。该模型取得较为满意的预测精度,为地铁供电系统短期负荷预测系统的实际应用提供了理论依据。     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

多因素支持向量机模型在江苏省中长期电力负荷预测中的应用

为提高电力负荷预测的准确性,建立了多因素支持向量机负荷预测模型,运用影响因素和历史负荷向量进行智能预测,明显提高了预测值误差精度,实证结果表明,利用该模型对电力负荷进行预测,可得到有效可靠的结果.     

混合粒子群径向基神经网络的短期负荷预测的应用

电力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.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于改进随机森林算法的电力系统短期负荷预测模型

为了提高电力系统短期负荷预测的准确性,本文提出了基于改进随机森林算法的电力系统短期负荷预测模型。改进随机森林算法是将随机森林算法中的决策树数量和分裂特征数等参数采用粒子群进行优化,通过比较每组参数对应的随机森林袋外数据误差,获取参数最优值,使随机森林算法的性能得到最优,并采用山东省某城市电网的历史负荷数据进行仿真分析。仿真结果表明,与基于传统随机森林算法的预测模型相比,本文所提出的预测模型的平均绝对误差降低0.81%,最大相对误差降低1.89%,说明本文所提出的基于改进随机森林算法的短期负荷预测模型具有更好的预测性能。该研究具有一定的工程实用性。     

计及PUE的数据中心短期电力负荷预测方法

为了准确预测数据中心短期电力负荷,提出了基于长短期记忆神经网络的短期负荷预测模型,有效地弥补前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷.通过分析得出电源利用效率(power usage effectiveness,PUE)值与负荷具有相关性,因此在预测模型中考虑了PUE的影响,并使用自适应矩估计算法进行深度学习.并通过对广州某电力设计院数据中心机房的实际电力负荷进行预测,表明在模型中引入PUE值可以有效提高数据中心短期负荷预测的精度.     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

基于BP神经网络与多元线性回归的短期燃气负荷预测

影响燃气负荷变化的因素呈现非线性和随机性特征,单一数值算法很难进行精确预测。为了提高燃气负荷预测的准确度,使预测算法具备更好的适应性,提出了一种基于多元线性回归与BP神经网络的短期燃气负荷预测模型。该混合优化算法兼顾了多元线性回归算法的非线性特性和BP神经网络的泛化特性。以宁夏平罗县2011年城市居民燃气用气量为研究算例,应用灰色关联度对燃气负荷及影响因素进行相关性分析,并采用均方根误差及R~2判定系数作为预测模型性能评价方法。通过仿真,验证了所建立模型是可行且有效的。相比单一的多元线性回归方法或BP算法,采用混合算法所建立预测模型具有更好的适应性,预测误差更小。     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测

节假日电力系统负荷打破了正常日电力负荷周期性的规律,且节假日负荷样本数据较少,用常规正常日电力负荷模型进行短期预测时,往往效果不佳。为此,提出一种基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测模型,改善了由于样本数据缺少、预测时间跨度大以及与正常日负荷特性差异较大等原因导致的预测精度不理想的现象。通过对节假日负荷特性进行分析,针对不同类型的节假日建立卡尔曼滤波预测模型,在考虑各类影响负荷变化的外部因素的基础上选择节前相关日,通过预测节假日逐点增长率提高预测精度。将提出的预测模型应用于某市节假日短期负荷预测,得到的结果显示预测精度能够满足实际需要,可为相关电力部门对节假日负荷预测提供一定的参考价值。     

基于梯度提升决策树的电力短期负荷预测模型

为提高短期负荷预测的预测精度,本文基于梯度提升决策树,对电力系统短期负荷预测模型进行研究。梯度提升决策树是通过将梯度提升机和决策树相结合,用大量的历史负荷和气象等数据进行训练,在损失函数负梯度的方向上生成新的决策树,不断优化预测结果。以某地区电力负荷数据为例,对比传统的BP-NN和RBF-NN预测模型。研究结果表明,与其它两个模型相比,基于梯度提升决策树的预测模型对于工作日负荷的预测误差分别降低了1.56%和1.73%,对于休息日负荷的预测误差分别降低了1.60%和1.53%,预测精度得到明显提高。而且该模型不仅可以克服易陷入局部极小值问题,还有效地减小了多因素之间关系互嵌、信息冗余对预测精度的不良影响,验证了该模型研究的合理性和有效性。     

智能电网中电力负荷短期预测数据挖掘模型

依据数据挖掘理论对数据进行收集、整合,运用改进型BP神经网络模型处理数据,建立电力负荷模型进行短期预测.通过不同精度下的实验分析,结果表明,改进型神经网络负荷预测模型在高精度下预测结果优于低精度下预测结果,最大误差同比降低80%,适用实际负荷预测.     

基于改进的模态分解和组合预测模型的短期负荷预测

短期负荷预测是电网调度计划重要的支撑依据,同时短期负荷预测的预测精度也是电网系统安全稳定运行的基础和前提。文中提出了基于改进的模态分解和组合预测模型(EEMD-组合模型)的预测思想,实现对短期电力负荷的精准预测。首先利用改进的模态分解实现对历史序列分解,挖掘不同频段序列的负荷特性以及与影响因素的关联关系,然后针对不同频段的序列使用不同的预测方法,最终集成整体预测结果,并使用均方根误差和平均相对误差进行测后评价,同时与其他预测模型进行对比。结果表明EEMD-组合模型可以很精准地预测未来负荷变化情况。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于BP神经网络的电力负荷预测仿真研究

人工神经网络应用于电力负荷预测是目前广泛研究的一个课题。本文首先介绍了人工神经网络在负荷预测中的应用概况,进而分析了BP神经网络原理、模型及算法,建立了负荷预测模型,并配置了网络的相关参数。进而对某地区一天的整点负荷进行预测,根据负荷预测得到的数据．经过Matlab仿真得到了负荷预测值与实际值的曲线,验证了BP神经网络应用于短期负荷预测满足一般精度的要求。     

电力系统超短期负荷预测算法及应用

简述了超短期负荷预测的概念和应用.将目前预测方法分为传统预测算法和现代预测算法,介绍了各种算法的原理、适用范围,以及大规模新能源并网运行对超短期负荷预测的影响.对比分析各种算法的优点和不足,提出了对历史数据预处理、建立分时段的综合预测模型,以及考虑气象因素等提高超短期负荷预测精度的措施.     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.