基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

基于大数据分析的差异化投资增量配电网的效益预测方法

配电网的效益具有差异性,为了提高配电网的效益预测水平,提出了基于大数据分析的差异化投资增量的配电网效益预测方法。建立了差异化投资增量配电网效益评价的指标分析模型,采用大数据分析方法进行差异化投资增量配电网效益分析。结合特征空间重构技术进行差异化投资增量配电网效益的分布式特征序列重组,提取差异化投资增量配电网效益分布特征量。采用关联规则挖掘方法对分布特征量进行效益优先性评价,利用模糊相关检测方法进行配电网效益分布大数据的抗干扰处理。对提取的差异化投资增量配电网效益分布特征量采用神经网络学习方法进行配电网的效益预测,构建效益分布的差异化因子,实现基于大数据分析的差异化投资增量配电网的效益预测。仿真测试结果表明,采用该方法进行差异化投资下的增量配电网效益预测准确性与灵敏度较高,可靠性较好。     

基于BP神经网络的区域配电网短期电力负荷预测

随着电力工业逐步进入市场化,区域配电网短期电力负荷预测在电力行业中地位越来越重要,精准的短期负荷预测方法对电力系统安全稳定的运行至关重要.因此,文章在综合分析实际负荷特征和BP神经网络原理的基础上,提出BP神经网络预测方法,并通过以东北某地和荷兰某地两个场景下的实际负荷对所提出的方法进行验证.最后采用平均百分比误差、均...     

基于融合集成算法的配电网负荷预测研究

配电网的负荷预测在电力运行状态监测中尤为重要。负荷预测的精度提升为电网的安全、稳定运行提供了保障。通过对融合集成算法的研究,提出了一种基于关联特征选择的融合集成算法。在数据集的选择上,使用相关系数和灰色关联算法综合对样本中负荷影响较小的特征进行剔除,使得样本数据集的相关性更高;同时,对传统Stacking集成学习的输入和输出特征进行优化,提高了模型的预测效果。试验结果表明,基于融合集成算法的配电网负荷预测模型与传统的Stacking集成算法、XGBoost、灰狼优化-反向传播算法相比,负荷预测的精度提升了3.07%。该模型总体性能表现较好。该研究结果有效地支撑了配电网的负荷监测和规划,也为电力系统故障诊断提供了参考。     

面向可中断负荷的弹性配电网负荷智能优化模型

针对常规智能优化模型未能考虑开关操作次数对负荷智能优化的影响,出现配电网负荷智能优化结果不理想,平均计算时间较长的问题,为此提出一种面向可中断负荷的弹性配电网负荷智能优化模型。分析可中断负荷的主要特性以及约束条件,将最小停电补偿成本以及开关操作次数作为目标,构建面向可中断负荷的弹性配电网负荷智能优化模型。采用改进的灰狼算法对模型进行求解,获取配电网负荷优化方案。实验结果表明,所提模型可以有效减少平均计算时间,获取更加满意的负荷智能优化方案。     

基于GRA-LSSVM密度法的配电网空间负荷预测方法研究

为提高配电网的规划水平,实现配电网的合理规划与改造,以有效提高供电质量和效益。针对配电网空间负荷预测,设计了一种新型的电网负荷密度预测算法,在算法中将支持向量机引入到基于灰色关联度分析的负荷预测模型。通过灰色关联度分析法筛选出更符合要求的样本并进行训练,同时,引入了混沌粒子群算法(PSO)对此模型进行优化,以提高算法的精度。通过实际数据对这种算法的性能进行实例分析,依据分析结果表明,提出的算法与其他方法相比对配电网空间负荷预测的精度有显著差异,本文方法可以有效的提高配电网负荷密度预测的精度。     

基于混沌时间序列的城网饱和负荷预测方法

由于饱和负荷预测的时间跨度大、影响因素多,易导致所得结果偏差较大.为此,基于混沌时间序列设计了一种新的城网饱和负荷预测方法.在相空间的基础上,计算负荷时间序列的饱和关联维数,选取重构相空间内的最佳嵌入维数,并定量分析负荷时间序列的混沌特性;然后确定饱和负荷的增长趋势,通过判断指标衡量饱和负荷预测值,并收集城网历史供电信息,获取最大负荷历史数据;运用趋势外推法建立函数模型,利用中值处理法获得模型预测平均值,选取实际负荷时间序列数据 对其精度实施检验,最终完成对城网饱和负荷的预测.实验结果表明:该方法预测结果较为准确,可消耗较短的时间达到较高的预测精度,具有良好的实用价值和应用前景.     

基于Logistic回归的配电网变压器损耗预测方法

配电网变压器在持续高压负荷下出现功率损耗,导致配电网变压器损耗预测的精度较低,为了提高配电网变压器的损耗控制能力,需要进行损耗的优化预测,提出基于Logistic回归的配电网变压器损耗预测方法.采用时间序列分析方法进行配电网变压器损耗的特征序列重组,提取配电网变压器损耗动态分布信息量,通过同步振荡控制方法,分析配电网变...     

含电动汽车和光伏的配电网空间负荷预测

随着光伏(photovoltaic,PV)的普及和电动汽车(Electric Vehicle,EV)保有量的增加,提出一种同时考虑到EV时空分布和PV出力随机的主动配电网空间负荷预测(Spatial Load Forecasting,SLF)方法.对影响PV出力的各项指标进行详细分析,并采用层次分析法确定不同指标的权重...     

基于负荷曲线分类的电力负荷预测方法

根据负荷曲线的特性对负荷进行分类,用简单的模型描述和预测,对用户的月用电数据的预测结果表明,新方法能够得到更准确的结果,较准确地反映负荷变化情况.     

基于GRA-IBAS-BP网络的短期配电网负荷预测

针对城市配电网负荷非线性、易受多种因素影响的特点,提出一种基于灰色关联分析(GRA,Grey Relational Analysis)和改进天牛须搜索算法优化的BP网络(IBAS-BP,Improved Beetle Antennae Search-Back Propagation)的短期负荷预测模型.本文首先通过灰色关联分析选取了与待测日特征高度相关的相似日样本,然后改进了标准天牛须搜索算法参数的更新策略,并将其运用于BP网络参数的寻优过程.最后,对某市2018年夏季网供负荷数据进行实验表明,相对于传统BP神经网络,该组合方法能有效提高负荷预测精度.     

基于BP神经网络下用电负荷预测

城市日常生活和发展离不开用电,对用电情况进行分析可以为预测提供依据,进而探讨和解决生活中的用电问题。首先简述BP神经网络,而后基于神经网络从单一时间因素预测用户用电负荷量,结果具有一定的误差,考虑多因素影响,引入温度因素,对用户用电负荷量再次预测,最后分析神经网络下用电负荷预测的结果。     

基于神经网络的负荷预测仿真研究

提高电力负荷预测精度有利于电力部门的安全生产,有利于合理安排电网运行方式和机组的检修计划,有利于系统的合理规划和经济运行。为了提高短期负荷预测的精度,把自相关函数的概念应用到反向传播(Back Propogation,BP)神经网络输入变量选择中,通过MATLAB仿真软件建立负荷预测模型。最后对某电力系统1d的负荷进行预测,仿真结果验证了该模型的可行性和有效性。     

基于小波神经网络的电网负荷预测

为提高负荷预测的精度及反映天气因素对负荷的影响.选用小波理论中的Malht算法进行多尺度分析.应用新疆塔北电网近年的负荷数据和气象资料进行了预测,预测结果表明其具有较好的性能.     

基于IPSO-LSTM神经网络的短期负荷预测

在电网负荷预测方面,LSTM模型有较好的预测精度.但模型参数需要手动设置,网络训练时间长.提出一种改进粒子群算法(IPSO)与长短期记忆网络(LSTM)相结合的预测模型(IPSO-LSTM).利用IPSO对LSTM网络的神经元数,学习率等参数进行优化,自动寻找合适参数,提高预测精度和收敛速度.以某地电力公司的历史负荷数据作为输入数据,迭代训练网络.对比IPSO-LSTM模型和由经验公式所得的LSTM模型的预测结果,发现新模型的MAPE比LSTM网络降低了0.8％,最大相对误差比LSTM网络降低了 4％,收敛速度更快.实验表明所提新模型拥有更高的预测精度和收敛速度.     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。     

基于TLBGA-GRU神经网络的短期负荷预测

短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用,预测精度高,有利于提高发电设备的利用率和经济调度的有效性。为充分挖掘负荷数据中时序性特征的联系,解决神经网络中由超参数的随机选取导致的预测精度下降问题,提出一种基于教与学的遗传算法（TLBGA）和门控循环单元（GRU）神经网络的短期负荷预测方法。利用灰色关联分析法对原始数据进行相关度分析,剔除冗余特征,使输入与输出保持较好的映射关系,在遗传算法中加入一种基于教与学优化的新型变异算子,用于防止其出现早熟收敛问题,从而提高解的质量。在此基础上,运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优,更新GRU的模型超参数并使其性能达到最佳状态,以提高负荷预测的精度。对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测,结果表明,该方法的预测精度分别达到了97.1%和97.2%,相比反向传播神经网络、循环神经网络及GRU神经网络模型,具有更高的预测精度。     

基于BP神经网络电力负荷短期预测研究

电力负荷预测是电力系统一项重要的工作。本文应用了BP神经网络对南方某地区短期电力负荷进行了预测。首先介绍了BP神经网络结构,其次是利用BP神经网络结合南方某地区电力负荷数据进行实证研究,并且在设计BP神经网络结构时考虑了气象因素对负荷的影响。