电力负荷综合预测方法的研究

提出用自适应进化规划方法进行电力负荷综合预测，引入了优化综合模型，同时采用某地用电量进行预测分析．对进化规划的变异操作、适应度计算及竞争选择方案进行了研究．结果表明，该方法具有全局寻优、自适应性强、通用性好等优点，预测精度有了很大的提高．     

电力负荷预测的一种综合方法

在电力负荷预测的数学方法中，有多种预测模型，因而有多个预测结果，目前还没有令人满意的方法，用来确定出其中最接近实际的结果，另外，大多数的预测样本都存在着数据失真，直接导致预测结果失真，这些都较大地影响了预测的准确性，本文提供了一种筛选方法，对模型和样本数据进行过滤。     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本,可以降低与预测日不一致负荷模式的影响,提高预测精度,并运用人工神经元网络预测下一天的96点负荷.主要包括3个部分.首先,运用CART分类法将输入空间分成若干矩形互斥区域,每一个区域对应一种负荷模式;其次,根据分类结果选取神经元网络的训练样本.最后,合理映射天气因素和日期、星期类型并进行预测.实际应用表明本方法对于大波动负荷地区能够改善预测精度,提高预测速度.     

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．     

一种实用负荷预测气象因子建模方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文提出一种简单适用的气象因子建模,并和相似日有机的结合起来,能较大地提高负荷预报精度。     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

城市配电网络电力负荷预测方法分析

讨论了城市配电网络电力负荷预测方法,分析了CNP20软件包所采用的确定性预测方法的不足,介绍了上海市区供电负荷预测所采用的模糊预测、灰色预测、人工神经网络等不确定性方法,及其应用的有效性．     

电力系统中负荷预测的研究

负荷预测在电力系统中有着举足轻重的作用。本文从电力负荷的分类、负荷预测的基本过程,负荷预测的相关方法进行了相关论述。     

基于趋势变化分段的电力负荷组合预测方法

提出了一种基于趋势变化分段的电力负荷组合预测方法,该方法基于趋势变化与加权组合的思想,有效提高了电力负荷的预测精度。在充分研究电力负荷“三峰三谷”变化特性的基础上,将电力负荷变化曲线划分为六个时段,每个时段均采用线性回归法、趋势变化法、BP神经网络和支持向量机的加权组合预测方式,并基于最小二乘法的思想,求解得到了模型最优参数。最后以苏北某地区的电力负荷预测为例进行了分析,结果表明该方法预测电力负荷的平均相对误差为2.83%,精度高,在电力系统具有较好的应用价值,从而验证了该方法的有效性与可行性。     

LSTM-RF的中长期风电功率组合预测方法

风电功率的准确预测是减少风电并网对电网造成冲击的有效手段之一。利用深度学习算法中的长短期记忆网络(LSTM)对中期风电功率出力进行了预测,综合考虑功率数据、气象数据等多维特征,采用LSTM算法和随机森林(RF)算法搭建预测模型,预测风电场1～7日的风电功率出力。基于某风电场2014年1月到2016年12月的实际发电数据,通过实验对比BP神经网络、支持向量机(SVM)和自回归积分滑动平均模型(ARIMA)等算法可知,提出的预测方法在较为突变的天气状况下仍能保持较高的预测精度,能为风电并网和电网调度提供辅助支撑。     

上海电网中长期负荷预测

介绍了上海电网概况,分析了网供负荷特性,以及近期影响上海地区负荷的因素,并使用不同的预测方法给出了中长期负荷和用电量的方案.最后针对上海地区的特点,提出了提高负荷预测准确性和应对本地区电网严峻形势的对策和建议.     

基于SVM模型的风电功率预测

为解决因风电机组功率波动产生的调度问题,运用支持向量机法对风电机组功率的输出进行实时预测,结果表明单台机组预测的均方根误差为2.16%,相关系数为77.605 4%,58台机组预测的均方误差为0.7%,相关系数为90.321 4%。说明了风机机组汇聚得越多,机组系统越稳定。最后还探索了进一步提高SVM预测精度的方法。     

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.     

电力系统短期负荷预测组合NN模型的研究与应用

针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题,构造了组合NN预测模型,该模型由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的QN-NN子模型构成,通过时变综合权系数将两个模型融合在一起,将气象因素数据引入到模型中,采用滚动优化策略,使模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的组合NN预测模型能有效提高预测精度,平均绝对误差和最大相对误差分别达到了1.84%和5.77%,将其作为实际电网短期负荷预测软件的预测子模块,能满足实际的调度预测要求。     

组合灰色神经网络模型及其季节性负荷预测

对于季节性时间序列具有增长性和波动性的二重趋势性,提出了季节性预测的组合灰色神经网络模型,研究了同时考虑两种（非线性）趋势的复杂季节性预测问题,给出了一个应用实例,为季节性预测提供了一种新的、有效的方法。     

GMDH方法在电力负荷预测中的应用研究

本文在介绍数据处理组合方法GMDH基本原理的基础上,将其用于电力负荷时间序列数据预测,并通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可得到满意的预测结果。     

产值单耗法在负荷预测中的应用

用产值单耗法预测渑池县2010年用电量,利用年均递增率法、电力弹性系数法、自然增长加大工业负荷法等3种预测方法对产值单耗法预测结果进行了校验.在适用条件、计算难度和适用期限等方面对这几种预测方法进行了分析、比较,重点对产值单耗法的适用范围、优缺点进行了分析评价,提出了一些有益结论,为县级供电企业短中期负荷预测提供了参考.