混沌理论和快速BP神经网络在边际电价预测中的应用

以电价时间序列和负荷时间序列的混沌特性为基础,利用多变量混沌时间序列的相空间重构理论并结合人工神经网络的非线性映射能力建立数学模型,对我国川渝电网的边际电价进行预测,并对预测结果进行分析,取得了满意的结果.     

基于混沌理论的电力系统短期负荷预测的局域模型

短期负荷预测是电力系统调度的基础,其预测精度直接影响系统运行的安全性和经济性.传统预测方法在对影响负荷的不确定因素的模拟方面主要采用概率方法和模糊集方法,有局限性.为此,仍然有必要探索新的、更合适的方法.在此背景下,考虑采用混沌时间序列来进行短期负荷预测.首先,利用混沌时间序列理论对负荷时间序列进行相空间重构,同时提取吸引子的分形维数,结果表明负荷时间序列具有混沌特性;并通过分析时间序列连续功率谱和计算最大Lyapunov指数,进一步证实了短期电力负荷时间序列具有混沌特性.之后,通过采用局域线性预测模型和广义自由度方法确定最近邻域点数,来进行短期负荷预测.最后,以某实际电力系统2007年3月1日至5月14日的负荷数据作为历史样本,对次日的负荷进行预测,说明了所提出的方法的基本特征.     

两种基于相空间重构的电力系统短期负荷预测方法分析

短期负荷预测是电力系统调度运营部门一项重要的基础工作,预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。采用符合短期负荷特性的混沌理论对短期负荷进行预测,在相空间重构和混沌识别的基础上,建立短期负荷加权一阶局域多步预测模型和最大Lyapunov指数的预测模型,通过对一组实际的短期负荷数据进行预测,仿真结果表明:两种方法都能较准确地预测短期负荷,对于一周内的预测结果,最大Lyapunov指数预测模型的预测精度略高于加权一阶局域多步预测模型的预测精度。     

基于新息的多参量混沌时间序列LS-SVR加权预测

复杂系统常常依赖于通过观测所获得的多参量混沌时间序列进行预测分析.论文借鉴单参量混沌时间序列预测的思路,考虑全部相关参量混沌时间序列中的信息,以实现多参量混沌时间序列的相空间重构.同时,基于新息优先原理和支持向量机理论,结合混沌时间序列发展变化的规律,提出分别利用相空间重构后长期多样本和近期少样本构建2个自适应最小二乘支持向量回归预测模型进行加权预测的观点,并给出了以预测均方根误差最小为目标函数的模型参数混沌优化方法.论文以某飞机转子部件磨损故障的3个相关参量的仿真混沌时间序列为例进行了预测实验,结果表明文中方法有较好的预测精度,是一种有效的预测方法.     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

基于负荷混沌特性的改进Lyapunov指数预测法

针对目前常用负荷预测方法多依赖主观经验,为了提高预测精度,从相空间重构理论出发。结合负荷序列的混沌特性,提出了一种计算最大Lyapunov指数的改进算法。改进算法中引入一种取舍规则,提高了最大Lyapunov指数提取精度。利用改进算法建立实际电力月负荷预测模型,实际应用结果表明该模型具有一定实用价值。     

混沌神经网络综合法在边坡位移预测中的应用

根据混沌理论具有分析非线性动态系统的混沌特性和人工神经网络具有考虑多因素影响的特点,本文提出了混沌神经网络综合预测模型.该方法首先利用非线性科学和理论分析滑坡位移时间序列的动态特性,然后将重构相空间计算的最小嵌入维数作为输入神经元的数目引入到人工神经网络预测模型中.分析算例预测结果表明,混沌神经网络综合预测模型计算精度较高.     

基于LS-SVR的混沌时间序列多参数自适应预测

故障预测对保障复杂设备的安全可靠工作具有重要意义,但往往难以建立起准确的解析形式的数学模型,因此常常依赖于通过观测所获得的混沌时间序列进行预测分析.为了提高预测的有效性和准确性,基于支持向量机预测理论,提出考虑全部相关多参数混沌时间序列中的信息,进行多参数相空间重构产生训练样本,并建立了多参数自适应最小二乘支持向量回归预测模型.以某设备三个相关参数的仿真混沌时间序列为例进行了预测实验,结果表明该方法有较好的预测精度,是一种有效的预测方法.     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术,并借助G-P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取 Lyapunov指数,结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟 和最大Lyapunov指数,将局域加权一阶多步预测模型应用于地下水位预测。预测表明,此模型可有效应用于地 下水位时间序列的多步预测。     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

基于Gumbel copula联合概率分布的电力系统综合净负荷预测

近年来,太阳能和风能在电力系统中的渗透率不断提高。由于风能和太阳能具有的高度不确定性和间歇性,在其并网时需要采用复杂多变的操作策略才能维持电网稳定运行。对于多个或单个不确定变量进行净负荷的汇总可以有效降低系统运行规划的复杂性。由此,提出了一种基于Gumbel copula联合概率分布的新型净负荷预测(net load forecasting,NLF)模型用以对负荷、风能和太阳能发电的预测误差进行有效应对,此外所提模型还引入了基于预测值的Grey指数修正模型以提高预测的精准度。其中由于Gumbel copula联合概率模型的稳定性好,其基本能够覆盖所有极端预测误差,在保证系统可靠运行前提下,基于有限的输入实现了快速精准的预测。实验结果表明,所提模型在极短期净负荷预测上具有较好的效果。     

Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents

According to the chaotic and non-linear characters of power load data, the time series matrix is established with the theory of phase-space reconstruction, and then Lyapunov exponents with chaotic time series are computed to determine the time delay and the embedding dimension. Due to different features of the data, data mining algorithm is conducted to classify the data into different groups. Redundant information is eliminated by the advantage of data mining technology, and the historical loads that have highly similar features with the forecasting day are searched by the system. As a result, the training data can be decreased and the computing speed can also be improved when constructing support vector machine (SVM) model. Then, SVM algorithm is used to predict power load with parameters that get in pretreatment. In order to prove the effectiveness of the new model, the calculation with data mining SVM algorithm is compared with that of single SVM and back propagation network. It can be seen that the new DSVM algorithm effectively improves the forecast accuracy by 0.75%, 1.10% and 1.73% compared with SVM for two random dimensions of 11-dimension, 14-dimension and BP network, respectively. This indicates that the DSVM gains perfect improvement effect in the short-term power load forecasting.     

评估系统在短期负荷预测模型中的应用

目前的短期负荷预测大多采用组合预测方法,组合预测模型的优点是将多个电力系统负荷预测模型有机的结合起来,深入地研究了该方法的实现和应用原理,提出进一步放宽组合预测模型权重不等式约束的条件,并给出理论根据,应用评估系统理论确定了各个时间点的组合预测模型的权值取值.     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

非平均权重条件下电力负荷组合预测模型研究

在对电力负荷进行预测过程中,单一的预测模型往往会出现拟合能力低和预测精度不高的缺陷,而且多个预测模型的简单组合也是一种相对粗略的预测方法。本文将非平均权重法运用于电力负荷组合预测模型中,以某省2000~2011年电力负荷为例,结果表明非平均权重的电力负荷组合预测模型的拟合方差比单项预测模型以及平均权重下的组合预测模型都小,而且预测精度更高。     

基于BAGGING算法和BP神经网络的电力系统负荷预测

电力系统负荷预测关系到电力系统的控制和运行计划,精确的负荷预测有助于提高系统的安全性和稳定性,从而可以提高电力系统的经济效益。电力系统负荷预测问题具有的数据量大、影响因素多等特点,使用单个BP神经网络进行负荷预测时,预测结果随机性大、精度低。本文把BAGGING算法思想与BP神经网络相结合起来,通过生成一组BP神经网络模型,挑选最好的网络模型最为最终的预测模型,进行负荷预测,以提高负荷预测能力。