基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。     

基于支撑向量机方法的短期负荷预测

首次将支撑向量机（SVM）方法及改进的序列极小化（SMO）学习算法引入短期负荷预测领域。该方法具有预测能力强、全局最优及收敛速度快等显著特点。实际算例表明，对于短期负荷预测问题，支撑向量机方法在预测精度和运算时间方面都优于前向网络、径向基网络等方法。     

基于小波网络的短期负荷预测方法

提出一种基于小波网络的短期负荷预测模型，小波网络结合了小波变换良好的时频局域性质和神经网络的自学习能力，因此具有比神经网络更灵活的函数逼近能力，同时有效地改善了神经网络难于合理确定网络结构、存在局部最优等缺陷，算例表明，这种模型是快速准确的。     

电力系统短期负荷预测方法综述

从短期负荷预测在能量管理系统中的重要作用出发,对负荷的特性、负荷预测的建模要求、影响模型预测精度的因素、各预测模型的原理、预测模型的改进方法以及能量管理系统中负荷预测模块的软件实现作了概述。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构、特性和大脑认知功能而构成的新型信号、信息处理系统。针对电力负荷短期预测，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法适合在短期负荷预测中使用，预测结果验证了上述结论。     

基于人工神经网络的短期负荷预测

通过仿真实验得出要提高电力系统负荷预测精度必须采用两个隐层的结论。为了避免由此而引起训练时间的增加，必须适当地限制ANN输入变量的数目，提出了一种类似于相似日方法的方法。采用某种差异评估函数，寻找最有可能与预测日负荷相似的某些天，再用ANN予以修正。     

扩展短期负荷预测的原理和方法

在电力市场环境下，制定和调整当日负荷计划的周期缩短，负荷预测系统需要在留有2h时间裕度的情况下，对当日未知负荷进行重新预测。该文提出的扩展短期负荷预测方法可以满足这种要求，并在文中仔细阐述了该方法的应用背景，理论及概念，给出了实现方案，最后，以实际系统数据说明了该方法的必要性和实用性。     

基于模式识别技术的短期负荷预测

分析影响电力负荷的主要因素,并提出了一种基于模式识别技术选取负荷样本,利用人工神经网络进行负荷预测的方法。设计了一套可以自动完成负荷数据的收集、甄别和预处理,对负荷预测过程进行灵活控制,达到一定的预测精度,并具有美观实用的结果输出和演示功能的短期负荷预测系统。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模拟人脑神经元结构、特性和大脑认知功能而构成的新型信号、信号处理系统。本文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,采用反向传播算法,考虑气象因素对负荷的影响,提高了学习效能,具有较好的预测精度。本方法很适合在短期负荷预测中使用,预测结果验证了上述结论。     

短期负荷预测的综合模型

进行实际短期负荷预测时,对某个固定的地区,用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析,提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理,这个新型以待预测民历史日绵最佳匹配为原则,通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化,可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明,综合模型的预测结果优于各种单一方法的预测     

一种基于径向基函数的短期负荷预测方法

为克服传统K均值聚类法局部寻优的缺陷，提出了基于确定性退火聚类选取径向基函数(RBF)网络隐层节点中心的方法，并采用遗传算法有效地解决了径向基函数网络的学习问题。在选择学习样本时，根据相似度方法，综合考虑了日期类型、星期类型、天气因素和曲线特性的影响。实际应用表明本方法能够改善预测精度，提高预测速度。     

一种利用可加性模糊系统的短期负荷预测新方法

该文依据可加性模糊系统理论，提出了一种新的负荷预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在短期负荷预测中获得相当满意的结果。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

一种规范化的处理相关因素的短期负荷预测新策略

提出了一种规范化的可以直接考虑各种相关因素的短期负荷预测新策略。这种策略不仅可以 考虑已经被详细研究过的气象因素,而且可以同时考虑一般性的分类指标,如工作日/休息 日,正常日/节假日等。设计了一个规范化的相关因素映射数据库,用以反映不同影响因素 在映射函数上的差异。根据模式识别的基本原理,应用聚类分析方法描述由于相关因素的不 同而导致的待预测日与历史日之间的差异程度。作为这种预测策略的一个应用,实现了一种 基于相关因素匹配的短期预测方法。实际算例表明,应用这种新的规范化的预测策略可以得 到更加精确的预测结果。     

一种实用的超短期负荷预测曲线外推方法

超短期负荷预测对电网功率平衡控制具有重要作用。文中针对超短期负荷预测特点,提出一种基于曲线模式分析的曲线外推方法,并讨论了历史坏数据处理以及对当前负荷水平的特殊处理等实用性问题,以保证预测结果的稳定性。通过对几个实际系统的应用结果表明,该方法速度快,精度高,运行稳定可靠,同时具有较强的适应性。     

基于遗传算法的短期负荷组合预测模型

给出电力系统短期负荷的固定权系数组合预测模型－－基于遗传算法的组合预测模型。为增加样本的多样性、避免陷入局部极小,中对遗传算法每代的相同或相近个体作等适应值变换,改进后的遗传算法具有更好的全局优化特性。利用改进的遗传算法确定组合预测模型的权系数,然后进行负荷预测。计算结果表明,该方法是实用和有效的。     

短期负荷预测最大李亚普诺夫指数法的改进

现有采用最大李亚普诺夫指数法进行负荷预测的3种改进技术为:应用待预测点对应的时间窗口上的最大李亚普诺夫指数估计(变化的数值),可以获得更高的准确率;应用"气温-负荷"相关系数等,改进"取舍规则":应用多个"邻近矢量"预测增加抗噪声能力.以此构造的2类改进预测方法是:采用"变最大李亚普诺夫指数、改进的取舍规则以及多邻近矢量"预测法;采用"多邻近矢量对应的1步负荷加权"预测法.后者还可用于非混沌序列预测.数值计算还表明,将原始负荷按照素数间隔抽样,可以进一步提高预测准确率.     

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。     

应用函数联接网络预测电力系统短期负荷

采用函数联接的神经网络进行电力系统的短期负荷预测。将输入模式映射到维数更高的模式 空间，使在原空间中不可分的问题，在更高的空间中成为可分，从而只须采用无隐含层的平 面网络即可进行电力系统负荷预测。实测结果表明该方法可行。