基于人工神经网络的短期负荷预测的研究

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,将人工神经网络的BP、Elman、RBF三种模型用于短期负荷预测,建立了短期电力负荷预测模型,综合考虑气象、天气等影响负荷因素进行短期负荷预测.某电网实际预测结果表明,RBF比BP、Elman有更好的预测精度,更快的速度.     

南京城市电网核心区短期负荷特性分析及预测

城市电网核心区负荷变化复杂,影响因素众多,对电网调度部门的安全运行提出了挑战。基于南京电网实际负荷数据,分析了负荷变化特性及各类影响负荷变化的因素,同时针对预测方法中存在的边缘效应等问题,通过改进训练策略,提出了一种新的人工神经网络短期负荷预测模型。该模型采用多隐含层和动态神经元个数的预测方法,对不同神经元预测结果进行比较,以达到预测负荷的目的。预测结果表明,基于该方法建立的预测模型适用性强且能获得较高的预测精度,可为城市核心区的短期负荷预测提供可行方案。     

基于遗传神经网络的短期负荷预测研究

电力短期负荷预测在实时控制和保证电力系统经济、安全与可靠运行方面起着重要作用,对于系统运行具有重大影响。根据电力短期负荷的变化特点,综合考虑温度、天气、风力等因素,提出了基于遗传算法优化人工神经网络方法的短期负荷预测模型。在试验中采用单一的人工神经网络和优化的神经网络建模分别对广东省某城市电网的短期负荷进行预测。实际预测结果表明,基于遗传算法优化神经网络方法预测模型的预测准确度明显高于单一神经网络方法的预测准确度。     

广州电网负荷特性分析及短期预测模型设计

结合广州电网负荷短期预测系统的开发工作，设计了合理的预测模型。分析表明，该地区负荷表现出较强的以周为间隔和以日为间隔的周期性，民用负荷占据较大份额，日负荷分时段特性明显。的预测系统基于人工神经网络技术，针对性地分别建立了人工神经网络训练周模型和日模型，在对历史电网负荷和气象数据进行预筛选的基础上，结合对日负荷的分时段预测处理，开发短期预测系统。系统具有较高的预测效率和满意的预测准确度。针对该地区夏季高温季节出现的负荷饱和特性，设计了基于专家知识的预测检验环节，运行结果理想。     

基于人工神经网络与主分量分析的短期电力负荷预测方法

电力系统短期负荷预测是保证电力系统安全经济运行和实现电网科学管理及调度的重要依据,目前的电力系统短期负荷预测方法存在着一些不足.提出了基于人工神经网络与主分量分析的短期负荷预测方法,在试验中分别采用该方法和单一的人工神经网络对辽宁省某电网的短期负荷进行了预测,试验结果表明本文提出的方法与单一的人工神经网络预测法相比,不...     

BP人工神经网络负荷预测模型的L-M训练算法

根据电力系统短期负荷预测的需要,用C 开发了单隐含层BP人工神经网络程序。程序用Levenberg-Marquardt训练算法实现神经网络训练,大大提高了训练速度。采用24个单输出人工神经网络模型分别预测每天的整点负荷。该预测模型可动态生成,提高了预测模型的自适应性。实际算例结果表明,采用该算法及其程序进行短期负荷预测,可得到令人满意的训练速度及预测精度。     

运用PSO和GRNN的短期负荷二维组合预测

为提高短期负荷预测精度,改善预测模型的工程实用性,提出了一种结合纵向和横向相似日样本的短期负荷二维组合预测方法。常用BP神经网络需优化的参数多,故采用结构简单的广义回归神经网络作为单向模型的基本预测算法。在此基础上,再通过设置组合加权系数,运用粒子群优化算法寻优系数值,得到最终的二维预测结果。对比其他短期尤其是超短期负荷预测方法,该模型不仅考虑了气象因素对负荷的影响,还充分体现了"近大远小"原则,并智能优化系数组合预测结果。电网实际负荷数据验证表明,该预测模型操作性高,速度快,且有较高的预测精度。     

基于贝叶斯分类的电网系统短期负荷预测方法

随着改革的不断深化,市场对电力的需求也在不断的变化.现阶段对电力系统短期负荷预测的要求逐渐提升,传统负荷预测方法的精度并不能满足应用需求,因此,提出一种基于贝叶斯分类的电网系统短期负荷预测方法,首先要建立电网系统短期负荷预测指标,通过预测指标建立基于贝叶斯分类的预测模型,然后运用基于贝叶斯分类的预测模型,在模型计算之后...     

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好     

风电场发电功率组合预测方法研究

针对风电场发电功率的短期预测,阐述了组合预测的方法原理。分别建立基于相空间重构的RBF神经网络模型、时间序列模型、支持向量机模型三种单项预测模型,并在此基础上确立加权系数,得到了两个组合预测模型。预测结果显示组合预测较单项预测的效果有了很大的改善,具有实际意义和应用价值。     

电网短期负荷预测的BP-ANN方法及应用

针对电网短期负荷预测中传统方法预测精度较低的问题,提出一种基于反向传播人工神经网络（backpropagation artificial neural network,BP-ANN）短期负荷预测的方法.应用多尺度熵法对短期负荷数据进行分析,得出预测点不仅和前期临近数据相关,而且和远期历史负荷数据相关;同时运用自相关分析法,基于BP-ANN建立适合陕西电网的短期负荷预测方法,并将此方法应用于实际电网负荷中,结果表明此方法简单可行,精度较高,比较实用.     

基于小波分解的电力系统短期负荷预测方法研究

为提高预测精度,提出一种基于负荷分解的电力系统短期负荷预测方法。即将负荷分成周期性不同的几部分,对分解后的各负荷序列通过相匹配的神经网络方法进行预测,并考虑温度因素的影响,采用线性回归模型对神经网络预测结果修正得到最终预测结果,预测结果与实际数据对比得出,预测方法更具准确性。     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于局部均值分解与神经网络的短期负荷预测

短期负荷预测是电力系统调度和运行的基础,为了提高电力系统短期负荷预测的精度,提出了基于局部均值分解和人工神经网络的电力系统短期负荷预测方法。该方法首先对负荷序列进行局部均值分解,针对分解后具有不同特点的各PF分量设定具体的神经网络参数进行预测,将各分量的预测结果进行重构得到最终的预测结果。仿真实验表明,LMD-BP神经网络的预测方法与传统的EMD-BP神经网络方法相比具有更高的预测精度,同时也验证了该方法的实用性和有效性。     

人工神经网络在电力系统负荷预测中的应用

论述了人工神经网络预测电力系统负荷的方法和步骤,并以BP神经网络在石嘴山地区短期负荷预测中的应用为例,探讨负荷预测的重要性。     

混合模糊神经网络在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,将模糊逻辑和神经网络的长处融合在一起,构建了混合模糊神经网络短期负荷预测模型,用于预测预报日的负荷。其中针对模糊神经元的权值更新问题,采用了一种新的权值更新算法——一步搜索寻优法,进一步减小了预测误差。实际算例证明了该模型的有效性。     

基于卡尔曼滤波的短期负荷多步预测修正模型研究

提出了一种短期负荷多步预测的修正方法。首先采用BP神经网络法建立短期负荷的分时多步预测模型,对于每一个初始预测值,采用卡尔曼滤波模型进行修正,以减少模型的累积误差,提高多步预测的效果。算例结果证明了所提方法不仅能够提高单步预测的预测效果,而且能够有效降低多步预测的误差,对于实现连续日短期负荷预测具有现实意义。     

混合WPD和ACPSO的负荷预测模型

为了解决传统BP神经网络对负荷高频分量预测精度不高、泛化能力弱的缺点以及粒子群算法(PSO)在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种混合小波包变换和自适应交叉粒子群算法(ACPSO)优化神经网络的短期负荷预测新方法。通过小波包变换对负荷样本进行多层序列分解,对单支重构所得的负荷子序列采用自适应交叉粒子群算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能充分掌握负荷波动的变化规律,有效提高负荷波动大的地区的预测精度,且预测模型具有较强泛化能力。     

基于回归分析与神经网络的短期负荷预测

针对电力系统短期负荷预测中神经网络输入变量选择与网络训练问题,提出了一种基于回归分析与神经网络相结合的短期负荷预测方法,利用回归分析选择神经网络的输入变量,利用遗传算法训练神经网络.实例研究结果表明该方法可以取得较高的预测精度.     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。