电力系统中长期负荷预测的灰色动态模型研究

建立了电力系统月负荷及年负荷预测的灰色动态模型，并验证了其准确性，为电网调度自动化和经济发展规划提供了较可靠的依据。     

电力系统负荷预测的周期性可调灰色模型

本文针对电力系统负荷变化的不可控性和周期性,通过采用Census Ⅱ分解方法分析季节因子,与历史负荷相比较,得到一系列长期趋势项,然后用可调灰色模型对分离出的长期趋势项进行预测,并用二分法调整u,v的取值,使得误差最小.将预测出的季节因子与长期趋势项重新组合,就得到日用电量的预测结果,实例表明,本系统对于呈周期性变化的电力负荷具有较好的预测效果.     

电力系统负荷预测的可调灰色模型及其应用

本文对电力系统负荷预测的普通灰色模型进行了可调性改进,成为可调灰色预测模型,减少了建模的限制条件,应用范围更加广泛,可以控制、调整预测结果,使精度提高。文中对江苏省无锡市电力负荷使用四种预测方法比较,从理论和应用两方面证实了可调灰色模型明显的实用性。     

输入量的选取对人工神经元网络估计负荷模型精度的影响

电力系统负荷模型的准确性对电力系统的分析与控制起着重要的作用。人工神经元网络模型能较好地模拟实际负荷的动态特性，但其模拟的精度很大程度上取决于输入量的选取。本文选取三组不同的输入量，采用误差反向传播算法（ＢＰ算法）进行训练．并对其精度作了比较，从而提出用人工神经元网络估计负荷模型时所应选取的输入量。     

浅论电力系统短期负荷预测的研究现状

短期电力负荷预测是电力系统运行调度中一项非常重要的内容,它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方面,是能量管理系统(EMS)的组成部分,也是今后进行电网商业化运营所必需的基本内容.     

基于灰色理论和神经网络的短期电力负荷预测

利用灰色理论中累加生成方法能够削弱负荷中随机成分的特点,以及人工神经网络可以逼近任意函数的能力,对具有任意变化规律的数据序列进行拟合和预测．实验结果表明,基于灰色理论和神经网络的最优组合模型的平均相对误差为1．307％,比BP神经网络预测和灰色理论模型预测的精度更高,具有明显优势．     

基于BAGGING算法和BP神经网络的电力系统负荷预测

电力系统负荷预测关系到电力系统的控制和运行计划,精确的负荷预测有助于提高系统的安全性和稳定性,从而可以提高电力系统的经济效益。电力系统负荷预测问题具有的数据量大、影响因素多等特点,使用单个BP神经网络进行负荷预测时,预测结果随机性大、精度低。本文把BAGGING算法思想与BP神经网络相结合起来,通过生成一组BP神经网络模型,挑选最好的网络模型最为最终的预测模型,进行负荷预测,以提高负荷预测能力。     

负荷预测的灰色系统方法

完善灰色预测模型ＧＭ（１，１）的建模机理，使其具有广泛的应用性，否定了灰色预测的传统检验方法后验差检验方法，同时利用数理统计常用的方法对模型进行了比较深入的研究，实例表明改进的ＧＭ（１，１）模型具有较高的拟合精度和预测精度。     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

一种短期负荷预测的自适应神经网络方法

提出了自适应BP神经网络模型预测短期负荷的方法。依据负荷的日相关性把历史负荷分成24组样本数据,再用BP网络来映射样本数据。采用初始化样本数据,增大节点作用函数陡度,变换隐层节点作用函数形式,自适应调整学习参数等方法提高了BP网络的学习速度,得到了较为满意的预报结果．     

基于改进BP人工神经网络的电力负荷预测

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定,短期电力负荷预测的重要组成部分.利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测.该文研究了在改进的BP网络中加入了动量项和构建输入网络时结合了同类型日思想的模糊映射,预测结果表明比标准BP算法具有更好的性能.同时,针对大量无法用精...     

DB小波与RBP神经网络的短期电力负荷预测

基于DB小波与BP神经网络,提出一种DB小波与RBP神经网络的方法对短期电力负荷预测.运用DB小波能够精确地提取时间序列的细微特性和RBP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了DB与RBP预测模型,经实际数据证明该方法提高了预测的精确性.     

基于短期负荷预测的配网无功优化控制的应用

在短期负荷预测的基础上,利用遗传算法求解整个电网的无功优化问题,得到的优化结栗为各个变电站VQC的合理限值。该方法将全局优化、集中控制与分散控制的优点结合起来,克服了各变电站无功、电压就地最优控制的弊端,提高了系统电压的合格率、降低了系统的总线损,节电效益显著。     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

基于人工神经网络的加权负荷预报

针对矿区电力负荷系统的特点，提出了基于人工神经网络的加权负荷预报．仿真结果表明，其预报精度符合要求．