一种电力系统短期负荷预测的新方法

依据模糊聚类理论,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：该方法可以较多的考虑各种影响因素,从而较大地提高了预测的精度。     

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。     

基于模糊聚类的神经网络模型及其在渗流分析中的应用

本文采用模糊聚类理论方法对因子集进行模糊聚类 ,然后利用神经网络的方法建立样本因子集类别变量特征值与样本观测值之间的预测模型 ,提出了将模糊聚类、模糊模式识别以及神经网络三者有机结合的预测理论。并通过某大坝渗流计算实例对传统的统计预报模型和基于模糊聚类的神经网络预测模型进行了比较 ,结果表明后者的预报精度比前者要高。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

应用模糊线性回归模型预测中长期电力负荷

针对负荷影响因素的复杂性和不确定性,结合模糊数学和线性回归模型,讨论应用模糊线性回归模型预测负荷的变化区间。推导了模糊线性回归模型参数求解的数学模型,详细讨论了隶属度的取值对模型参数的影响。应用该模型进行实际预测,分析结果表明该方法的有效性。对模糊预测结果的评判进行了探讨,提出了利用实际值在预测区间的隶属度之和判别预测结果优劣的方法。     

模糊数与多指标灰靶决策理论相结合的小区负荷预测方法

将模糊数与多指标灰靶决策理论相结合应用于小区负荷预测：收集各类小区负荷密度及相关因素样本,通过模糊聚类方法分析样本形成模糊负荷密度等级;根据模糊负荷密度等级和待预测小区未来相关因素,采用基于熵权的多指标灰靶决策进行小区负荷密度预测;利用类内相似度法对小区负荷密度进行修正。算例结果表明将模糊数和多指标灰靶决策理论结合起来应用于小区负荷密度预测,准确度和可信度较高。该方法将预测过程科学量化,克服了以往简单类比法主观性大的缺点。     

模糊数与多指标灰靶决策理论相结合的小区负荷预测方法

将模糊数与多指标灰靶决策理论相结合应用于小区负荷预测:收集各类小区负荷密度及相关因素样本,通过模糊聚类方法分析样本形成模糊负荷密度等级;根据模糊负荷密度等级和待预测小区未来相关因素,采用基于熵权的多指标灰靶决策进行小区负荷密度预测;利用类内相似度法对小区负荷密度进行修正.算例结果表明将模糊数和多指标灰靶决策理论结合起来应用于小区负荷密度预测,准确度和可信度较高.该方法将预测过程科学量化,克服了以往简单类比法主观性大的缺点.     

属性模糊聚类方法在锅炉高温受热面超温分析中的应用

锅炉高温受热面运行状况是极其复杂的,与很多因素相关。为了找出诸多变量之间隐藏着的关系,尝试着将基于属性的模糊聚类方法应用到受热面超温分析过程中,该方法可在无任何专家经验的基础上,通过处理DCS存储的大量数据,建立模糊聚类动态图,进而可全面直观地了解各个变量之间的关系,并可实现属性约减,减少进行分析的决策因素,提高分析诊断效果。利用该方法对某电厂再热器超温问题进行实例分析,结果证明属性模糊聚类方法用于锅炉高温受热面的运行分析中是可行有效的,它可以建立锅炉各运行参数对类别的不确定性描述,准确客观地反映运行参数之间的关系,对研究分析锅炉高温受热面事故、指导现场运行调节以及目前正在兴起的电厂数据挖掘技术有重要的意义。     

基于模糊聚类的可调节/可中断负荷辨识

掌握高载能负荷在综合负荷中的结构比例是应用其消纳新能源的基础。将高载能负荷可调节、可中断特性转化为特征参数,应用模糊聚类法求解特征参数的聚类中心,建立负荷特征参数对聚类中心的隶属度与综合负荷中可调节、可中断负荷比例的映射关系,并依据实测负荷特征参数及其对聚类中心的隶属度辨识出可调节、可中断负荷在实测综合负荷中的结构比例。所提的方法可为有效利用高载能负荷的可调节与可中断能力与网-源进行协调控制提供有力的依据。实例仿真验证了所提方法的有效性。     

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%。     

模糊线性回归法在负荷预测中的应用

线性回归是电力系统中期负荷预测的常用方法。由于受众多不确定性因素的影响，历史数据和相关变量未来取值常常是不准确的，致使该方法的预测结果误差较大。为了提高电力负荷预测的精度，作者提出了一种改进的模糊线性回归预测方法，即加权模糊线性回归预测法，它将模糊线性回归法预测模型的求解归结为一个线性规划问题，并对该模型进行改进，按照回归变量的重要程度确定目标函数中各项的权重，并按照各历史数据的重要程度确定贴近度标准。文中提出的改进模型即加权模糊线性回归模型是可调的，能够灵活计及预测中的一些定性模糊因素。实际算例表明，文中的改进措施提高了模糊线性回归法的预测精度。     

电力负荷多属性半结构性模糊优选组合预测

在电力规划决策支持系统中，各种负荷预测方法计算中长期电力负荷预测所获得的结果相差较大，为科学准确地确定和推荐预测结果，需要采用相应的分析和决策方法。其决策分析的结构中总目标为获得满意预测推荐解；属性层中既有定量目标，又有定性准则；预测层则以决策支持系统中所有的预测方法和结果为基础。按照此结构采用多属性半结构性模糊优选方法，分别精确计算定量目标特征值矩阵，量化定性准则模糊比较判断矩阵、并计算具有统一标准的相对优属度矩阵，进而将模糊优选方法改进地应用于负荷预测的评价、筛选和组合、实例表明：该方法充分考虑了预测及其决策的相关因素．可用于规划及预测决策支持系统．具有准确、量化、科学和实用性。     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

基于专家评分机制的模糊综合评判法在电力系统负荷预测中的应用

针对目前电力系统单一负荷预测模型的不足之处,研究了结合各种单一预测模型优点组合预测方法。对基于模糊综合评判的组合预测模型进行了改进,从不同评价因素出发,把专家评分机制和模糊隶属函数结合起来用于各个单项模型的综合评价,可以充分利用专家的知识和预测人员的经验,有效地处理电力系统负荷预测的不确定性和模糊性,提高电力系统负荷预测的精度。最后用一个某地区的实例验证了该方案的可行性和正确性。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

遗传模糊算法在短期负荷预测中的应用

提出了一种基于模糊逻辑原理的负荷预测方法,使用遗传算法对系统参数进行训练。在以往的模糊逻辑系统建立过程中,其主要参数(如模糊推理规则和隶属函数等)需要依靠运行人员经验或专家知识来确定,而本文利用遗传算法,通过对样本数据的自学习过程来获取系统参数。在遗传算法中,将推理规则与隶属函数参数的确定结合在一起,从而确定系统参数的最优组合,由此建立起一个较合理的模糊负荷预测系统。仿真实验结果表明,该方法能够达到满意的预测精度,具有良好的实用前景。     

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型.通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性.     

不确定性中长期电力需求预测方法探讨

鉴于经济发展及国家政策制定实施中存在大量不确定因素,引入模糊理论构建了模糊马尔科夫链状预测模型。通过对用电量观测数据进行模糊划分,解决了马氏理论中状态难以精确划分的难题,形成了用电量增长率的模糊状态隶属函数,并利用转移概率修正值计算出待预测时刻变量对各模糊状态的隶属程度,实现了对未来电力需求增长规律的预测分析。结果表明,本模型不仅能够提供预测分布区间,同时还保证了较高的预测准确度,是一种值得深入探讨的中长期电力需求预测方法。