基于EEMD和PSO-LSSVM模型的短期电力负荷预测

短期电力负荷预测是电力系统规划、运行、维护的基础。精确的负荷预测对电网的运行和供电调度提供了可靠的指导。为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法。该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测。通过引进粒子群算法下的LSSVM模型与b P神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比b P神经网络方法在绝对误差、相对误差以及均方根误差都有提升。     

基于MATLAB的短时电力负荷预测方法研究

电力系统负荷预测在电力系统调度、用电、规划中起着至关重要的作用。通过对历史数据的分析和研究,基于MATLAB软件平台对ARMA时间序列和BP神经网络两种预测方法进行了仿真实现。算例仿真结果表明,进行短期电力负荷预测时,时间序列法较BP神经网络法具有原始数据少、程序实现简单和训练时间短等优点。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

地区电网电力负荷预测分析

电力系统的用电负荷,主要是指电力系统具备的能满足用户用电量需求的发电能力,电力负荷预测是电网规划中的基础工作,是制定电力发展规划的重要依据,是电力系统经济调度中的一项重要内容。现首先对地区电网电力负荷预测的分类和影响因素进行了说明,然后对A地区电网负荷预测进行了详细的分析。     

基于决策树算法的短期电力负荷大数据预测模型

短期电力负荷预测结果,直接关联电力系统的规划、调度和运行安全,因此,研究基于决策树算法的短期电力负荷大数据预测模型,精准完成短期电力负荷预测。分析短期电力负荷,确定气象和负荷两种数据为预测所需数据,采用C均值模糊聚类算法聚类该数据后;采用低秩矩阵填充理论和奇异值阈值算法,填补聚类后数据中的缺失,基于梯度提升决策树模型预测短期电力负荷。测试结果显示：该方法聚类效果良好,气象和负荷两种数据聚类的综合相似度评价指标的最佳结果分别为0.014和0.011;数据填补性能良好,能够完成不同场景下的短期电力负荷预测,并获取不同气象条件下负荷的变化结果,应用后电力系统的运行风险值均低于0.0005。     

基于BP神经网络与时间序列的电力系统短期负荷组合预测

针对电力系统短期负荷预测问题,考虑了历史负荷对当前短期负荷预测的影响,同时结合气象及节假日等因素,提出了基于BP神经网络与时间序列ARIMA自回归综合滑动平均模型相结合的组合预测方法。通过实例计算表明,组合预测模型兼并了两种方法的优点,极大地提高了预测精度,具有较好的优越性及实用性。     

电力负荷预测方法在配网规划中的应用

电力系统负荷预测是实现电力系统安全、经济运行的基础。负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。负荷预测的目的是提高电网运行的安全性和经济性。改善输送电能的质量。同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平。确定各规划年用电负荷构成。通过对海盐县电力负荷预测，对预测方法及其在配电网规划的应用进行初步探讨。     

基于BP神经网络的风电场短期功率预测

风力发电具有绿色环保、资源丰富和容易开发等优势,但其间歇性和随机性的缺点对电力系统的安全、稳定运行,以及电能质量产生的影响却限制了风电的发展,而风电场功率短期预测是解决该问题的有效途径之一。负荷预测的精度与历史数据的准确性直接相关,提出将历史数据的处理分为失真数据查找和空缺数据补全两部分来处理的思想,并将负荷预测中的回归分析应用到数据处理中,提高了历史数据的准确性。在建立BP神经网络模型时,利用SPSS中的相关性分析和经验公式,确定输入层神经元和隐层神经元的范围,经多次试验后确定BP神经网络模型,并对某风电场的短期功率进行预测。结果表明,该方法精度较高,为电力调度部门提供了很好的依据,同时也为提高电网中风电装机比例提供了一种有效的途径。     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于GRNN网络的短期负荷预测研究

负荷预测的研究工作对于电力系统的安全、经济、可靠运行乃至国家经济的发展都有十分重大的意义。针对短期负荷预测的精度要求高、速度要求快等问题,进行了基于GRNN网络的短期负荷预测研究,对斯洛伐克东部电力公司的负荷数据进行了特性分析和平滑参数的优化,以期能够较好地弥补当前广泛采用的BP网络算法的局限性,从而为电力系统的调度运行和决策提供更为可靠的信息。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

考虑时段负荷特性差异的日前综合负荷预测方法研究与应用

综合预测模型可以整合不同预测方法优势,从而大大提升负荷预测准确率。然而不同时段负荷特性不同,简单的以1天为单位构建综合预测模型,难以充分发挥综合预测模型的优势。为此,首先深入研究了当前电力系统中不同类型短期负荷方法的优势,充分考虑时段间负荷特性差异,科学划分负荷差异时段,在此基础上提出了日前负荷综合预测方法,最后介绍了本成果在烟台电网的实际应用效果。     

县级电网日负荷预测不确定因素探讨

县级电网日负荷预测对县级电网系统的运行和调度具有非常重要的意义,它是衡量电力系统运行管理现代化的标志之一,但日负荷预测的影响因素较多,既由负荷本身的历史规律决定,同时众多外部因素对负荷的影响也很大。现主要分析了县级电网目负荷的特性,并对其众多影响因素作了分析,通过在实际应用中的验证,证明提出的方法是有效的。     

基于神经网络的相空间重构短期风速发电功率在线预测

风力发电具有随机性、间歇性、波动性和难以精确预测的特点,针对大容量风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战的问题,根据风速的混沌特性,提出采用一种相空间重构理论短期预测方法。首先确定风速的最佳延迟时间τ和嵌入维数m,再次对m和τ的多组可行匹配,并找出一个最佳匹配进行样本相空间重构,最后使用BP神经网络进行短期风速预测。通过对重庆武隆地区某风电场的实测数据进行仿真,证明该方法的有效性和可行性,并且提高了短期发电功率预测精度,对并网风力发电系统的运行具有重要意义。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

电动汽车充电负荷预测的研究

电动汽车的负荷预测对电力系统的调度和电网安全稳定运行具有重要意义。现采用蒙特卡洛法根据汽车保有量建立了电动汽车充电负荷的预测方法,并根据用户行为习惯采用电动汽车充电起始时间概率分布和行驶里程的密度函数对电动汽车充电负荷进行仿真,结果表明,随着电动汽车规模的增加,电动汽车负荷给电网负荷带来了不可忽视的影响,采取相应措施对电动汽车充电负荷进行有效引导应成为未来的研究重点。     

神经网络自适应模糊控制在电力负荷预测中的应用

为了能够及时准确地进行电力系统短负荷的预测,采用了将神经网络和自适应模糊控制相结合的预测方法。首先通过神经网络进行负荷预测,然后将自适应模糊控制用于预测结果在线修正中。通过实验,证明了该方法的可行性。