BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

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VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

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。     

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B...     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。     

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。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数,以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

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。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

基于高斯模糊信息粒化和改进小波神经网络的短期负荷区间预测研究

针对现有短期负荷预测方法适应性不足、预测精度不高,WNN原始连接权值和阈值采取随机赋值并采用梯度学习算法进行修正,存在进化缓慢、易出现陷入局部极小或不收敛等问题,提出了基于高斯FIG和改进WNN的短期负荷区间预测新方法。用收敛速度更快的函数取代常用的输出层神经元函数,并用粒子群算法寻优取代WNN连接权值和阈值随机赋值。把网络连接权值和阈值作为粒子群算法微粒的位置向量,不断调整微粒的速度和位置向量以寻求最优值。选择了合适的数据跨度作为一个粒化窗口,对原始负荷数据进行了高斯模糊粒化处理,得到了对应的高斯FIG后的序列值,并用改进后的WNN对模糊序列值进行了区间预测。与WNN及SVM方法的对比研究结果表明,该方法不仅能够获得比单一负荷值更多的区间信息,而且预测精度更高,能够更好地指导电力系统相关决策。     

电力系统短期负荷预测中小波函数的选择

针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

电力负荷与气象因子因果关系分析及预测研究

短期电力负荷预测是电力部门生产调度的重要参考,不同地区影响电力负荷的因素有所不同,因此,为探索电力负荷与气象因子之间的因果关系,以某变电站逐小时电力负荷和气象要素数据为基础,采用格兰杰因果检验分析气象要素与电力负荷的因果关系。采用ADF检验验证气象因子与电力负荷数据的平稳性,将通过ADF检验的平稳性变量进行格兰杰因果检验。结果显示,温度、相对湿度和风速均是电力负荷的格兰杰原因,温度和相对湿度对电力负荷变化的影响是实时的,风速对电力负荷变化的影响具有1 h以上的滞后性。采用灰色关联度和余弦相似度建立综合相似性指标,基于相似日法提出一种短期电力负荷预测模型,以2018—2020年的气象数据和电力负荷数据作为样本库,采用2021年的数据对模型预测准确性进行检验。经验证,模型在天气因子变化不明显或变化缓慢情况下预测准确率为90%以上,可作为电力部门生产调度参考。     

电力系统负荷预测研究

随着市场经济体制的改革,电力行业在发展中面临着巨大的压力,而电力系统负荷预测在电力行业中有着极其重要的作用,因此要想提高电力行业在市场中的竞争力,必须要采用科学合理韵预测方法来调查电力市场情况。现分析了电力系统负荷的特点,并据此研究了具体负荷预测方法。     

基于组合神经网络的风机轮毂处短期风速预测

综合考虑风电机组轮毂处历史风速规律和近期数值气象预报风速变化,对时间尺度为6h以内的风电机组轮毂处风速进行预测.为提高风速骤变情况下短期风速预测精度,提出一种新的组合神经网络.针对信号分解后的不同频率子序列特点,采用深度卷积神经网络和门控循环递归单元对趋势项子序列进行预测,用建立的Elman循环递归神经网络对细节项子序...     

基于EWT和LSSVM模型的短期电力负荷预测

精确的负荷预测对电网的安全性和稳定稳定性具有重要意义。提出基于经验小波变换(EWT)和最小二乘支持向量机(LSSVM)的预测方法。首先,采用EWT分解负荷,得到一组固有模态分量(IMF);其次,利用LSSVM算法预测各个负荷子序列;最后,合并各个分量的预测结果。根据某地市现场实测负荷数据进行实验仿真,预测结果分别与EWT-支持向量机(SVM)和经验模态分解(EMD)-LSSVM模型的预测结果进行对比,在两项指标上表现均为最优,体现实际负荷的变化规律。