基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

基于K-means聚类的短期负荷预测研究

本文的中心思想是采用多种方法组合进行预测,对30个种类的用户全年8760个小时的用电量做全年最后一天的日负荷预测。本文根据聚类算法对数据进行归纳整理再拆分的特点先将数据聚成5类,根据5类用户曲线的特点分别采取不同的适用于各曲线的方法进行预测。本文在k-means聚类的基础上又采取了三种方法进行预测。预测出结果的MAPE值不高,证明预测的精度的准确定。聚类分析的归纳整理功能为预测节省了大量时间,提高了预测速度,而以此为基础采用不同适合的方法进行预测又提高了预测精度,这在一定程度上解决了当前预测快速与准确无法兼具的问题。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测。对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测.对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%.     

基于聚类与自适应划分的短期负荷预测

针对季节性划分不准确及气象条件动态变化对短期电力负荷预测造成的影响,提出一种基于负荷聚类与趋势自适应分段的电力负荷短期预测算法.算法首先对历史数据进行聚类以实现对负荷曲线的季节性划分,然后提取各季节负荷变化趋势并对负荷曲线自适应分段,最后通过改进ORELM模型实现各季节负荷的多分段建模与预测.实验结果表明,相比于支持向量回归及极限学习机等已有方法,文中算法取得更优的预测精度和对不同季节及气象条件的鲁棒性.     

基于模糊识别与模糊聚类理论的短期负荷预测

依据模糊模式识别、模糊聚类理论 ,提出一种短期负荷预测的新方法 ,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明 ,该方法具有预测精度高、误差小的优点 ,是值得广泛推广的好方法。     

基于极限学习机与负荷密度指标法的空间负荷预测

空间负荷预测对有配电网的规划建设具有重要意义,为了提高配电网空间负荷预测的精度,文中提出基于极限学习机(ELM)的配电网空间负荷预测算法,采用粒子群优化(PSO)模型的参数。首先根据用地性质将负荷分类,再通过模糊C均值(FCM)算法对每一类负荷进行聚类分析,建立精细化的负荷密度指标体系。根据待预测地块的特性指标选取训练样本,代入ELM训练,提高预测精度。通过搜索的数据对实例进行仿真试验,通过对比未引入FCM算法的相对误差、未引入PSO算法的相对误差以及采用PSO-ELM算法的相对误差可得,文中提出的PSO-ELM算法具有较高精度,满足实际工程的要求。     

基于模糊聚类与函数小波核回归的短期负荷预测方法

短期负荷预测日益成为智能电网的重要课题。将历史日负荷序列表示成等负荷段组成的子序列集合,基于模式相似性方法,采用模糊聚类与函数型小波核非参数回归(FWKNR)相结合的组合预测算法。FWKNR将预测日负荷表示成历史日相应负荷段的加权平均值,将与参考段更相似的段赋予更高权重,并基于离散小波变换的形状相似性度量,采用N-WE计算权重;由预测日各分段预测快速完成日预测。模糊聚类针对单一用户历史负荷进行典型负荷模式的分类预处理,并识别与预测日有更相似行为模式约减的有效训练样本集合参与模型预测。基于某地区实际负荷数据,实验比较分析验证了组合算法的优越性。     

基于改进Prophet算法的短期日负荷预测方法研究

将Prophet算法引入负荷预测领域,并结合XGBoost算法提升Prophet负荷预测准确性。Prophet算法基于时间序列分解及机器学习的拟合,将负荷数据分解为趋势项、周期项、随机波动项3部分,引入XGBoost算法改进Prophet算法对随机波动项的预测,将XGBoost算法对随机波动的预测结果与Prophet算法对趋势项和周期项的预测结果叠加,获得最终的预测结果。该算法适用于用电负荷这种具备一定周期变化特征的序列,易于理解,预测准确性较高。通过某地区用电信息采集系统提供的专公变用户日冻结数据实验验证,结果表明在相同条件下,改进后的算法预测的结果的平均绝对误差百分比较原始的Prophet算法可降低2.5%,同时均方根误差降低幅度可达30.79%,体现出显著的改进效果。     

基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

基于改进CS算法优化Elman-IOC神经网络的短期负荷预测

为提高负荷预测精度,提出一种基于混沌定向布谷鸟算法优化Elman-IOC神经网络的短期负荷预测模型,首先对Elman神经网络拓扑结构进行改进设计,通过增添输入-输出层连接单元,加强网络并行运算能力,提高预测精度,然后在布谷鸟算法中,利用最优位置信息指导随机游动过程,同时引入混沌扰动算子,增强全局搜索能力,最后将算法应用于Elman-IOC神经网络参数优化,建立了短期负荷预测模型。实验结果表明,较之其他模型,本文模型具有更高的预测精度。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

基于CEEMD-FE和AOA-LSSVM的短期电力负荷预测

针对电力负荷预测精度不高、效率低的问题,采用算术优化算法(AOA)和最小二乘支持向量机(LSSVM)的模型对经过互补集合经验模态分解(CEEMD)和模糊熵(FE)综合处理后的子序列进行预测,构建了CEEMD-FE-AOA-LSSVM预测模型。首先,利用FE算法对经过CEEMD处理后的各子序列进行熵值重组,该过程提高了模型的抗干扰能力和运算效率。然后,用AOA-LSSVM模型对处理后的子序列进行预测,并将预测叠加输出。最后,通过误差函数对模型进行横向对比和纵向对比,利用两种对比结果来检验其性能。通过实验可知,与CEEMD-LSSVM、AOA-LSSVM、CEEMD-AOA-LSSVM等其他模型相比,CEEMD-FE-AOA-LSSVM组合模型能够兼顾到预测精度与预测效率两方面,做到了综合性能的提升。同时也验证了经过CEEMD或AOA处理的模型能够有效地提升预测精度。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。