基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。     

基于神经网络与混沌理论的电力系统短期负荷预测

短期负荷预测是电力调度部门的重要工作之一.负荷预测的精度直接影响到电网的安全、经济和稳定运行.本文针对目前负荷预测中单一预测理论精度较低的问题提出采用BP神经网络与混沌理论相结合的算法.以变步长和附加动量法进行改进,同时以混沌时间序列来确定网络结构,从而克服了算法对大量训练样本的依赖.提高预测精度和速度.对成阳区域电网负荷的实际预测结果表明了该方法的有效性.     

应用相空间重构理论分析电力负荷时间序列

电力系统负荷的复杂性及非线性相应地增加了对其预测的难度。电力负荷的混沌预测是建立在重构电力负荷序列的相空间基础之上的。重构合适的相空间,使空间轨道充分展开是进一步混沌序列预测的前提。本文结合混沌理论的思想,重点阐述了电力负荷时间序列的相空间重构的思想和算法,并以实际电力负荷数据加以验证,得出了电力负荷的时间序列是一种周期性和混沌性共存的时间训练序列。确定了时间序列后,以重庆江北区负荷为例进行短期预测,取得了良好的预测效果。     

相空间重构和支持向量机结合的电力负荷预测模型研究

风电机组集中并网会对电网安全稳定运行带来影响,为了合理规划各类供电机组高效运行,对电力负荷预测的精度提出了更高的要求。电网负荷时间序列具有混沌特性,普通预测方法难以描述其特性和内在规律。利用混沌相空间重构理论对负荷时间序列进行研究,用互信息法和CAO方法分别求得时间延迟和嵌入维数,并由此得到系统最大李雅普诺夫指数,证明其具有混沌特性。然后根据时间延迟和嵌入维数对样本数据相空间重构,在此基础上利用支持向量回归算法(PSR-SVR)对电力负荷进行预测,支持向量回归采用网格寻优确定参数。最后将预测的结果同时间序列模型和BP神经网络模型的预测结果进行对比,结果表明,这是一种误差小,精度高的电网负荷预测方法器。     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

电力月负荷的混沌趋势组合模型预测

针对电力月负荷同时具有趋势增长性和季节波动性,使负荷表现出复杂的非线性特征,从而提出了电力月负荷的混沌趋势组合模型。以四川省全省月负荷序列为例,把原始电力月负荷序列分解为趋势序列和剩余序列。通过计算剩余序列的混沌特征量,识别出剩余序列的混沌特性。在此基础上,利用混沌趋势组合模型对月负荷时间序列进行预测,实例结果表明,该方法对电力月负荷的预测是可行的。     

混沌神经网络在小电网电力负荷中的应用

通过对小电网短期电力负荷的特点分析,利用平滑、差分、去基值、比例放大四种时间序列处理的方法,去偏复自相关法的相空间重构和BP网络训练三者结合,提出一种应用于小电网短期电力负荷的新的混沌神经网络模型。并通过实例仿真计算和没有经过相空间重构计算的BP网络计算进行对比,表明该混沌神经网络模型可以进一步提高预测的准确度。     

负荷预报的混沌时间序列分析方法

某些非线性确定性系统表现出混沌行为,由这些系统产生的时间序列又表现出随机性,但是,这些混沌时间序列在短期内可有较为精确的预测,可以为其建立确定性的预测模型。为了探讨负荷时间序列中的混沌特性,作首先介绍计算时间序列中的多种混沌征数的方法,在发现华中电网发电负荷时间序列中的混沌特性的基础上,给出一种基于混沌理论的局部预测算法。该预测方法的优点是,如果时间序列比较长,就可以通过某些参数的调整来控制预测精度。最后以华中电网的发电负荷为例检验了本中的算法,最终的预测模型的预测效果良好。     

基于负荷内部特性和外部随机因素的短期负荷预测模型

根据电力系统负荷序列的混沌特性,提出将其划分为基本混沌负荷分量和外部随机因素负荷分量,依据不同的理论分别构造预测模型。前者通过混沌动力学机理和动态递归时延神经网络融合来构造模型;后者在依据日类型和气象特征进行数据挖掘聚类的基础上利用统计分析与智能识别融合来构造模型。大量的仿真计算证明了所提出的短期负荷预测模型能有效保证全年的预测精度及其稳定性,对夏季高温区和特殊类型日的预测精度有明显提高。     

基于可加性模糊系统的负荷时间序列预测

本文依据可加性模糊系统理论，提出了一种新的预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在电力负荷时间序列预测中获得相当满意的结果。     

关键信息缺失下基于相空间重构及机器学习的电力负荷预测

随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的。为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性。并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型。其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型。最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测。结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好。     

改进的时变非线性负荷预测组合算法

为了提高超短期负荷预测精度,提出了一种改进的基于学习的时变非线性组合预测算法,该算法在基预测器中增加了基于最大Lyapunov指数的混沌时间序列预测模型,其中最大Lyapunov指数为序列特征属性,在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差.在...     

电网短期负荷预测的混沌方法

通过计算四川全省电网小时负荷时间序列的混沌特征量：饱和关联维数、最大Lyapunov指数和Kolmogorov熵，论证了该小时负荷序列属于混沌时间序列。以负荷相空间重构为前提，分别应用混沌分析法的相似点模型、线性回归模型及Lyapunov指数模型对其短期负荷预测，并对比了三种模型预测的效果，预测结果表明了混沌预测方法的有效性。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。