相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

电力系统短期负荷的特征指数相空间重构预测法

针对电力负荷变化的特点,提出一种采用特征指数的混沌预测方法,采用相空间重构和局域近似原理建立预测模型,较好地考虑了电力系统负荷波动的日周期性,具有良好的预测效果,最大负荷、最小负荷的预测精度较高,表明这是一种行之有效的短期日负荷预测方法.     

电力系统短期负荷的特征指数相空间重构预测法

针对电力负荷变化的特点 ,提出一种采用特征指数的混沌预测方法 ,采用相空间重构和局域近似原理建立预测模型 ,较好地考虑了电力系统负荷波动的日周期性 ,具有良好的预测效果 ,最大负荷、最小负荷的预测精度较高 ,表明这是一种行之有效的短期日负荷预测方法     

短期负荷预测"负荷趋势加混沌"法的参数优化

在"负荷趋势加混沌"短期负荷预测法中,将原始负荷序列拆分成"负荷趋势"和"混沌"两部分,其中负荷趋势是可以准确预测的多周期行为,混沌子序列可以用相空间重构的线性回归法预测.以多元回归分析和矩阵计算的奇异性理论为基础,优化了混沌子序列预测中的三个参数.首先根据取样序列的"平稳性"及避免矩阵计算的"奇异性",选取合适的延时时间;然后根据混沌子序列功率谱上的峰值选取嵌入窗长,并由此确定嵌入空间维数;最后选取邻近矢量的数目为嵌入空间维数的3倍以上.     

电力系统短期负荷预测方法的研究

采用混沌理论进行电力系统短期负荷预测，对利用Lyapunov指数法进行负荷预测作了介绍，包括用混沌理论实现相空间的重构，以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程，并给出了算法的简单实现步骤。实例预测结果。证明了算法的有效性。揭示了采用混沌理论进行短期负荷预测的优越性。     

基于混沌理论的短期负荷局域多步预测法

分析了目前对短期负荷时间序列进行预测的加权一阶局域一步预测方法,针对其用于多步预测会产生累计误差并且计算量很大的缺点,提出了将加权一阶局域法多步预测模型用于短期负荷预测。在分析电力系统历史短期负荷时间序列混沌特性的基础上,通过将多步预测模型应用于负荷的预测,验证了该方法相对于一步预测法在计算速度和精度方面都有明显提高。     

基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念,这种方法不复气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度,对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于 Lyapunov 指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａ－ｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念。这种方法不利用气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度。对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于混沌神经网络理论的小电陨短期电力负荷预测

通过对小电网负荷数据的特点分析，将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算，并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明，利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

短期负荷预测相空间重构法参数优选的数值测试与分析

采用混沌方法中相空间重构法的局部线性法进行短期负荷预测时,需要优选3个参数,即负荷记录序列的延时时间、嵌入相空间的维数以及选择邻近点时使用的距离。数值测试表明,按混沌理论优选的延时时间和嵌入相空间的维数一般不是负荷预测的最适合参数。这2个参数的取值和搭配对预测误差的影响最大,其次才是选择邻近点时使用的距离。这是由于负荷记录不是严格混沌的,而是以双周期为主。对测试结果的分析表明,优选的延时时间,在离线预测时可以选择使负荷记录中的双周期成分延时相轨迹出现最小重叠的延时时间;在线预测时是使负荷取样序列具有最小方差。此外,还确认采用负荷记录的“平衡点 混沌”拆分通常可以降低预测误差。     

短期负荷预测"双周期加混沌"法中的多步法与气象因子的使用

短期负荷预测的"双周期加混沌"法是基于负荷记录数学性质的预测方法.为了进一步提高其预测精度而提出的三项改进为:(1)通过数值测试,优化了混沌子序列线性回归预测中三个参数,即嵌入空间维数、延时时间,和选择邻近矢量时采用的距离;(2)为了降低误差积累,采用了直接从邻近矢量回归出连续多个预测点的方法,并且采用离参考矢量最近的若干邻近矢量进行回归;(3)在选择直接多步法中的相空间邻近矢量时,考虑了与各负荷值相对应的当天气象因子.将改进后的双周期加混沌法用于负荷预测实例,结果表明预测精度有显著提高.     

一种利用可加性模糊系统的短期负荷预测新方法

该文依据可加性模糊系统理论，提出了一种新的负荷预测方法，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，在短期负荷预测中获得相当满意的结果。     

短期负荷预测的综合模型

进行实际短期负荷预测时,对某个固定的地区,用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析,提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理,这个新型以待预测民历史日绵最佳匹配为原则,通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化,可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明,综合模型的预测结果优于各种单一方法的预测     

人工神经网络在华北电网负荷预测中的应用

文章介绍了人工神经网络在华北电网短期负荷预测中的研究与应用,这种方法可以考虑气象因素在短期负荷预测中的影响,它能够准确地预测出华北电网的负荷,预测的结果表明这种方法在短期负荷预测中可以使精度提高０．９％。     

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

基于贝叶斯理论和在线学习支持向量机的短期负荷预测

该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息，包括样本信息和先验知识结合在一起加以利用，不但避免了过拟合问题，而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上，以递增和递减算法可直接得到新的回归函数而无需重新训练，从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。     

基于确定性退火方法的短期负荷预测

首次将确定性退火方法用于短期负荷预测领域。该方法利用分片回归模型逼近预测函数,并通过引入“熵函数”限制模型规模。其优点是模型简洁灵活、预测能力强并具有良好的全局最优性能,从而克服了目前正 在使用的前向网、径向基函数网、分类回归树及多重自适应样条和模糊逻辑方法分别欠灵活且易于陷入局部极值点的缺陷。实际算例表明,对于短期负荷预测问题,确定性退火方法的预测精度高于前向网和径向基函数网等方法。