售电量的灰色预测模型及其应用

根据华中理工大学邓聚龙教授的灰色系统理论，建立了售电量的长期预测灰色动态模型ＧＭ（１，１），并编制了相应软件。经检验，模型精度为一级，并给出了直到２０００年的售电量预测值，以供有关部门制定规划时参考，并为售电量的预测提供了一种新的实用性方法。     

售电量灰色预测模型探析

年度售电量预测在电网企业中占有重要地位。应用灰色系统理论,建立了陕西省电力公司售电量灰色模型,经综合评定,该预测模型精度为1级,为准确预测售电量提供了一种较为简便可行的分析预测方法。     

售电量灰色预测模型探析

年度售电量预测在电网企业中占有重要地位。应用灰色系统理论，建立了陕西省电力公司售电量灰色模型．经综合评定．该预测模型精度为1级，为准确预测售电量提供了一种较为简便可行的分析预测方法。     

基于长短期记忆网络的售电量预测模型研究

售电量预测对优化供电结构以及了解经济走势具有重要意义,然而,传统售电量预测方法难以从售电量及其影响因素的数据中自动抽取到较好的数据特征。为此,文中提出一种基于长短期记忆网络的售电量预测模型,该模型通过分析售电量数据及其影响因素的相关性,提出一种行业聚类方法,该方法根据不同行业的数据特征对相似的行业进行聚类,并根据聚类结果训练长短期记忆网络模型。文中模型能够学习售电量数据以及相关影响因素的数据特征和内在关联关系。实验结果表明,文中所提出的预测模型比经典的预测模型具有更高的准确度。     

计及偏差电量考核机制的人工神经网络售电量预测模型

售电量预测的精度决定了售电公司的运营收益。传统售电量预测方法存在未计及偏差电量考核机制的差异、缺少时序相关性与长程依赖性等问题。为此,提出一种计及偏差电量考核机制的人工神经网络售电量预测模型。首先,根据购售电交易时序特点重构特征向量。其次,建立基于季节分解的加权模型(SDW)与双向长短期记忆神经网络(Bi-LSTM)分别对年度双边协商月度分解售电量和月度集中竞价售电量进行预测,基于月度偏差考核规则定义非对称损失函数(ALF),关联反向传播过程与整体收益,使网络输出趋向收益最大化。最后,通过数据集进行算例仿真并比较各项性能指标,验证了该模型相比于传统预测模型经济实用性强,准确度高且稳定。     

神经网络递推预测模型及其应用

本提出一种反向传播神经网络（ＢＰ网络）的改进算法，该算法可以克服常规ＢＰ网络的两个主要缺陷，明显提高学习速度。其主要特点是首先拟合ＢＰ网络各权系数的变化过程，然后根据拟合曲线来调整权系数，并在学习过程中动态调整学习速率和动量因子，此外，还采用了随机搜索法优选初始权重以克服局部极值问题。基于ＢＰ网络和上述改进算法，本提出一种递推预测模型，它包括绝对量值模型和相对量值模型两种，它以让神经网络用人们     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

售电量临界值公式及其在供电部门的应用

对影响供电部门利润的因素及其与利润的关系建立一个数学模型，导出了售电量临界值公式，作出盈亏平衡图。利用售电量临界值公式对供电企业的利润进行盈亏决策，快速，简单，易行；而利用盈亏平衡图时，可直观地从图上看出盈亏趋势。文中并以实例说明。     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型.采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力.在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力.     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

基于用电模式数的大用户负荷短期预测技术研究

针对传统负荷预测方法适用性差问题,文中通过月均负荷率和负荷标准差与月均负荷率的比值对大用户进行划分,明确大用户的负荷特性分类。在此基础上,对分类用户的典型负荷曲线、波动曲线、连续负荷曲线进行分析,得出各类用户的用电模式数,再分别根据模式数制定针对性预测方法,提高可调度容量预测的精确度,为电力营销需求响应业务的快速发展提供技术支撑。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于IOWA组合模型的火电行业NO_x排放量预测研究

区域火电行业NOx排放量预测问题属于小样本、贫信息的灰色系统,同时NOx排放量受到多个影响因素的叠加性影响,导致NOx排放量呈现非线性变化趋势,单一的预测模型难以准确反映NOx排放量的复杂变化趋势。基于此,在灰色预测模型和BP神经网络模型的基础上,利用诱导有序加权平均(IOWA)算子,建立了基于IOWA的组合预测模型,并对我国2009～2011年以及2020年的火电行业NOx排放量进行了预测研究。     

基于集合经验模态和深浅层学习组合的风电场功率短期预测研究

风电功率的准确预测是减少风电接入电网的不良影响的必要前提。然而风电功率序列在时间上和空间上表现出非平稳性使其难以准确预测,因此提出一种基于集合经验模态分解(EEMD)和深浅层学习组合的短期风电功率组合预测方法,其中深度学习使用稀疏自编码器（SAE）而浅层学习则使用BP神经网络,从而建立EEMD-SAE-BP预测模型。该模型先用EEMD将风电功率原始序列分解为一系列按不同时间尺度分布的分量;然后针对分量中的高频分量建立SAE预测模型,对低频分量则用BP网络建立预测模型;最后将各子序列预测结果叠加得到最终的风电功率预测结果。通过比较几种预测模型的结果,本文提出的预测模型能有效地提高预测精度,有较高的实用价值。     

基于综合能源计量大数据的中长期用电量预测

用电量预测对智能电网的管理和安全有重要意义.传统方法一般基于历史用电数据本身,而多表融合的推广使得多表数据的分析更为便捷.针对用电量预测场景,利用集成智能表采集的水、电、气数据,将用水量与用气量作为特征,提出结合多表数据的中长期用电量预测模型:高斯过程回归(Gaussian process regression,G...     

虚拟变量在日用电量预测中的应用

介绍了线性回归分析中虚拟变量的概念和意义,根据日用电量随时间和温度变化的特性,将其分段并引入相应的虚拟变量,在此基础上建立电量预测的回归模型,并以南京市2002年至2004年日用电量为样本进行预测检验,预测结果表明了该方法的有效性。     

基于遗传算法优化神经网络的建筑物电力负荷预测

建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题。利用遗传算法的全局搜索能力对网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使预测更为精准。通过MATLAB软件进行仿真试验,验证了此方法的可行性。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。