基于灰色关联分析的短期电力负荷预测系统

电力负荷预测短时间内提取所需的变量参数,需要关联度信息的安排与处理,设计基于灰色关联分析的短期电力负荷预测系统。基于GVMS平台,构建负荷预测功能模块,搭建负荷预测系统的软件执行环境。借助灰色关联分析的基本特征,建立预测核函数,基于数据挖掘进行预处理,结合相关硬件设备结构体,实现基于灰色关联分析短期电力负荷预测系统的顺利应用。灰色关联分析法预测系统可以在满足短期电力负荷需求的同时,确定电量数据的实际传输方向,能够实现对短期电子传输量的妥善安排与处理。     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机(SVM)方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数.基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高.     

数据挖掘技术在电力行业中的应用研究

信息技术在电力行业中的应用越来越重要,本文分析数据挖掘技术,构建电力行业中数据挖掘系统的模型,简述数据挖掘技术在电力行业中,状态检修、电力营销、负荷预测中的相关应用。     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机（SVM）方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数。基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高。     

数据挖掘技术在电力负荷管理系统中的应用

将数据挖掘技术应用到电力负荷管理系统中,设计出电力负荷数据挖掘系统,此系统包括数据预处理模块,数据挖掘模块和数据挖掘结果显示模块。根据电力系统数据的特点,提出采用多元线形回归模型进行数据挖掘的方法,并成功运用了实践中实例表明该数据挖掘系统能够对电力负荷值进行有效的预测,提高用电生产管理方面信息的准确性和及时性,从而保证供电与用电的稳定。     

基于智能优化的电力负荷预测方法研究

为了使电力系统短期负荷预测精度得到提高,提出了基于智能优化的电力负荷预测方法.通过粒子群优化算法的分析创建智能优化预测模型,通过模型能够得出优化阈值与权值;创建神经网络,确定不同层神经元权值.通过创建的神经网络模型实现电力负荷预测算例的分析,以某地区电力信息为例对文中电力负荷预测方法的精度进行研究.研究结果表明,文中算...     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树(ART)算法的电力负荷预测方法.利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析.针对实际系统应用,验证了该方法适用于短期负荷预测,也适用于时未来电力负荷的准确快速预测.因此它是一种行之有效的方法.     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

基于PSO-RBF的短期电力负荷预测模型

精确的短期负荷预测对电网经济运行至关重要。为了提高电力系统负荷的预测精度,提出一种基于相似日和PSO优化RBF神经网络的短期负荷预测方法。该方法以RBF神经网络为短期电力负荷预测的基础算法,结合灰色关联分析法、K-means算法,通过DBI指数筛选出相似日集合,进一步结合PSO对RBF神经网络的参数进行优化。结果表明,所提方法预测精度优于单一RBF神经网络方法,在K-means算法选取的相似日基础之上,PSO-RBF预测模型的MAPE仅为0.77%,能精准预测待预测日负荷值,使其具有更广泛的应用价值。     

电力系统负荷预测方法综述

电力系统负荷预测关系到电力系统的调度运行和生产计划,准确的负荷预测有助于提高系统的安全性和稳定性,能够减少发电成本。随着电力市场的建立和发展,短期负荷预测将发挥越来越重要的作用。文中系统分析了电力系统负荷预测的相关方法,包括传统负荷预测方法、基于人工智能的负荷预测方法、时频分析的动态预测方法以及动态过程描述的负荷预测方法,对各种不同方法的基本原理和优缺点进行了描述。最后,文中认为实用的负荷预测方法应该是结合各种预测模型优点的组合方法。     

多尺度高斯模型的短期负荷预测

为了准确地进行电力负荷的短期预测,借鉴小波分析中对函数进行多尺度表示的思想,文中在高斯过程模型的基础上提出了多尺度高斯过程模型.通过选择合适的尺度参数,采用计算预测均方误差值大小的策略获取最佳延迟时间和最优嵌入维数对,然后对西北某地区电力系统进行短期负荷预测.与传统的支持向量机、径向基函数网负荷预测方法相比,基于多尺度高斯过程模型的短期负荷预测方法预测精度与支持向量机方法相当,性能优于径向基函数.     

电力系统负荷预测方法及应用

电力系统生产计划和调度运行与电力系统负荷预测休戚相关,负荷预测的准确性不仅关系到发电成本,同时还能显著提升电力系统自身的稳定性与安全性.当前电力市场规模不断扩大,这其中电力负荷预测的重要性越发突出.近几年,针对电力系统的负荷预测方法逐渐从人工预测手段过渡到计算机预测方式,大量预测模型的采用为负荷预测精度提高提供了无限可能.本文从电力系统负荷预测原理出发,对具体的电力系统负荷预测方法及其应用问题展开了探讨.     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于三种模型的昆士兰州短期电力负荷预测对比探究

为提高电力负荷预测模型的预测精度本文将基本ARMA模型与Kalman滤波结合建立ARMA-Kalman滤波模型,将ARMA模型与SVM模型以及SVM的优化方法结合,建立ARMA-SVM模型,以试图提高模型的预测精度。同时将前两个模型以及基本ARMA模型应用于澳大利亚昆士兰州短期电力负荷预测中。实例研究表明,ARMA-Kalman模型未能如期较大提高对澳大利亚昆士兰州的电力负荷预测精度,ARMA-SVM模型在一定程度上提高了预测精度。     

总论

0309151复杂机电系统全局耦合模型的建模[刊]/梁洁萍//湘潭矿业学院学报.—2002,17(4).—35～38(K)0309152层次分析法在电力负荷组合预测中的应用[刊]/刘赛//长沙电力学院学报(自然科学版).—2002,17(4).—41～43(K)应用组合预测理论。引入层次分析法(AHP)建立了电力负荷组合预测的结构模型,利用 AHP 的1～9标度,计算相应权重,对电网负荷进行预测,从而获得电力负荷预测的满意解及推荐值。参3     

基于深度学习的电力负荷预测方法综述

电力能源的合理使用和调度一直是关系民生的重要问题,其中的电力负荷预测是近年来学者研究的重点.传统的基于统计学习方法的预测方法由于负荷的非线性和随机因素导致效果不佳,因此研究者把目光放在了近年来热门的人工智能(Artificial Intelligence,AI)领域,比如人工神经网络(Artificial Neural...