短期负荷预测Volterra滤波器间隔采样模型

针对现有Volterra滤波器模型按混沌轨道逐点训练的模式易发生训练不充分或过拟合现象并最终影响短期负荷预测效果的问题,提出了依据相空间邻近轨道演化相似性特点,建立基于高阶非线性Volterra滤波器(HONFIR)的短期负荷预测多步预测模型(MSF-HONFIR).通过定义距离相似度、趋势相似度来衡量轨道演化相似性,提出了负荷吸引子邻近轨道判别的新方法.在MSF-HONFIR模型基础上将原始负荷序列分解为多个子序列并分别对各个子序列建立预测模型,显著削弱了系统累积误差.短期负荷预测仿真结果表明MSF-HONFIR模型的多步预测性能优于原有HONFIR模型.     

基于小波分析和遗传程序设计的短期负荷预测

提出将小波分析和遗传程序设计算法相结合用于电力系统的短期负荷预测.具体过程是先对负荷序列进行小波分解,然后对小波分解后的各尺度负荷序列分别利用遗传程序设计进行分时预测,并通过对各尺度的预测结果进行重构来得到最终预测结果.仿真结果表明,该方法具有较好的预测效果和可行性.     

基于Volterra自适应滤波器的风电功率混沌预测

风电场风电功率短期预测对并网系统的安全、经济和稳定运行具有重要意义。利用C-C法对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的最大Lyapunov指数,两者均证实风电功率时间序列具有混沌特性,可采用混沌方法对其进行预测。利用不同阶数的Volterra自适应滤波器对风电功率进行短期预测。应用于2个不同风电场进行验证,结果显示：Volterra自适应滤波器能够反映出风电功率序列未来变化的趋势,并可以达到较高的一步预测精度,但阶数不同,预测精度不同,阶数越低,精度越高。     

基于混沌时间序列的地区电网负荷预测

通过采用改进的C-C方法计算得出电网日负荷的最优时延和最佳嵌入维数,从而进行相空间重构,并通过计算最大Lyapunov指数,指出该时间序列的混沌特性。然后采用基于奇异值分解的Volterra方法对某地区电网负荷进行预测。预测结果显示,该方法的预测效果较好,具有较高的预测精度,并能够反映电网未来负荷的变化趋势。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用.小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度.本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法.算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度.     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。     

考虑积温效应的短期负荷组合预测方法

给出了积温效应的量化公式,提出了考虑积温效应的小波变换与神经网络负荷组合预测方法.该方法首先通过小波变换,把负荷序列分解为不同频段的趋势性负荷子序列和细节性负荷子序列;采用BP神经网络对各子序列分别进行建模和预测,对趋势性负荷子序列加入了积温系数等特征参数;最后由小波重构得到负荷序列的最终预测结果.该方法考虑了积温效应...     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

基于混沌神经网络理论的小电网短期电力负荷预测

通过对小电网负荷数据的特点分析,将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算,并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明,利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

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.