基于人工神经网络的中长期负荷预测算法

当前中长负荷预测的大部分方法都衍生于传统的线形统计理论,难以解决复杂的非线性问题。文中结合BP人工神经网络技术,利用人工神经网络所具有的非线性映射和函数逼近功能对中长期电力负荷进行了研究,提出了一种中长期电力负荷预测的思路。并利用北京市的实际数字对未来若干年的用电量进行了预测,实验结果表明,该算法具有较好的准确性和可行性。     

基于灰色系统和人工神经网络的中长期电力负荷预测

利用灰色预测需要样本数据量少、建模过程简单的特点对中长期电力负荷进行前期预测,结合人工神经网络对大量非线性、非精确性规律具有自适应和自学习能力的优点,在考虑经济因素的前提下对输入数据进行预处理,采用改进的BP算法最终得出预测结果,文中的算例表明了该方法是可行且有效的.     

基于BP网的中长期负荷预测因素优化选择

基于人工神经网络原理,设计一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,选取影响电力负荷的一些经济因素作为BP人工神经网络的输入变量,采用新定义的方差贡献法对输入变量进行优化选择,对预测精度的影响进行探讨。仿真结果证明,采用方差贡献法对影响中长期电力负荷预测的相关因素进行优化选择是可行有效的。     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

基于进化神经网络的短期电力负荷预测研究

电力负荷的预测影响着电力储蓄和输送的工作质量,所以提高电力负荷预测的精准度对提高电力部门的效率具有重要意义.随着时代的发展,电力系统的机构变得越来越复杂,电力负荷的形式也越来越多样化,像非线性变化、事变、和不确定变化越来越突出,为了适应这一变化,诞生了人工神经网络,与传统的预测方法相比较,人工神经网络预测的精准度更高、...     

中长期电力负荷预测相关影响因素优化选择

为了更好地反映各种相关因素对负荷的影响,采用人工神经网络进行中长期负荷预测.基于人工神经网络原理,设计了一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,选取国内生产总值、重工业生产总值、轻工业生产总值、农业生产总值、第一产业、第二产业和第三产业等七个因素作为神经网络的输入变量.采用排除法对这些输入变量进行优化选择,并对预测精度的影响进行了探讨.仿真结果证明利用排除法后预测精度明显提高,故提出的方法是可行和有效的.     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

基于改进数据子空间算法的电力负荷预测问题

针对电力负荷进行准确预测对于电力系统的稳定运行具有重要的意义.利用传统的数据子空间算法进行电力负荷预测的过程中,由于没有考虑电力系统的非线性和时变性,导致预测精确度较低.为此,提出一种基于改进数据子空间算法的电力负荷预测方法,在电力负荷预测子空间方程式中加入反馈因子,在电力负荷历史数据中加入遗忘因子,利用粒子群算法对两种反馈因子和遗忘因子进行寻优,并将寻优结果带入到改进的电力负荷子空间预测模型中进行计算,从而获得准确的预测结果.实验结果表明,利用改进算法进行电力负荷预测,能够提高预测精度,效果令人满意.     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

带扩展记忆的粒子群优化最小二乘支持向量机在中长期电力负荷预测中的应用

针对中长期电力负荷预测,考虑了影响中长期电力负荷的各种因素,提出了一种带扩展记忆的粒子群优化算法(PSOEM)与最小二乘支持向量机(LSSVM)相结合的中长期负荷预测方法。PSOEM比传统PS0收敛速度更快,精度更高,具有更强的寻优能力,因此利用PSOEM算法对LSSVM参数进行优化选择,获得了较优的PSOEM-LSSVM预测模型。通过实例仿真表明,该方法与其他几种方法相比具有更高的预测精度和速度。