基于PSO改进的T-S模糊神经网络短期电力负荷预测研究

精确的电力负荷预测有利于保障电网运行的安全性、稳定性、高效性及经济性.为提高预测精度,采用了一种PSO改进T-S(Takagi-Sugeno)模糊神经网络方法.分析了数据预处理对改善输入量的重要性,讨论了可以让学习率和平滑因子动态调节的改进T-S模糊神经网络算法,从而使PSO找到最优参数,然后结合历史负荷数据、相关影响因素进行预测,以表明改进的T-S模糊神经网络在短期电力负荷中具有更高的控制精度.     

基于改进BP神经网络法电力负荷短期预测

电力网络结构日益庞大,电力安全可靠运行难度不断增大,须提高电力负荷预测精度,以保证电力设备正常稳定运行。电力负荷变化具有非线性的特点,通过传统建立的模型难以精确预测电力负荷的变化,针对此难点,文中采用具有非线性特征的改进BP神经网络法进行短期负荷预测,在进行负荷预测算法时,为消除训练样本顺序的影响,将整个样本集替代单系列样本进行学习。选取某县城电力负荷历史数据作为样本,Matlab编程仿真,得出预测与期望结果比较接近,部分数据较精确,说明该算法具有一定的参考意义。     

短期电力负荷预测模型的建立

本文分析了传统的电力负荷预测系统构架模式,从数据挖掘和决策支持的角度,提出基于数据挖掘技术的新型的短期电力负荷预测系统构架模式。     

合肥市电力负荷短期预测模型探讨

电力负荷短期预测对于电源布点、电网规划等具有重要意义,时间序列负荷预测技术适宜于建立电力负荷短期预测模型,按照时间序列预测方法的建模步骤,建立合肥市月度供电量预测的数学模型,针对时间序列预测技术的特点提出了进一步优化预测模型的思路。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。     

基于梯度提升决策树的电力短期负荷预测模型

为提高短期负荷预测的预测精度,本文基于梯度提升决策树,对电力系统短期负荷预测模型进行研究。梯度提升决策树是通过将梯度提升机和决策树相结合,用大量的历史负荷和气象等数据进行训练,在损失函数负梯度的方向上生成新的决策树,不断优化预测结果。以某地区电力负荷数据为例,对比传统的BP-NN和RBF-NN预测模型。研究结果表明,与其它两个模型相比,基于梯度提升决策树的预测模型对于工作日负荷的预测误差分别降低了1.56%和1.73%,对于休息日负荷的预测误差分别降低了1.60%和1.53%,预测精度得到明显提高。而且该模型不仅可以克服易陷入局部极小值问题,还有效地减小了多因素之间关系互嵌、信息冗余对预测精度的不良影响,验证了该模型研究的合理性和有效性。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络（BP）的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

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．     

基于多尺度卷积神经网络的短期电力负荷预测

In order to improve the accuracy of short-term load forecasting of power system, a multi-scale information fusion convolutional neural network(MS-ConvNet)model based on deep learning technology was proposed. A full convolution network structure and causal logic constraints were introduced to enhance the expression of time series features; a multi-scale convolution was utilized to extract the relationship among time domain data of different lengths for obtaining more abundant series features; a residual network structure was designed to increase the network depth, which increased the acceptance domain of outputneurons and enhanced the prediction accuracy. The results show that the accuracy and stability of MS-ConvNet model is better than those of multi-layer perceptron machine, long-short term memory network and gated recurrent unit network, indicating that the as-proposed model has a good application prospect in power load forecasting.     

基于改进灰色模型的短期电力负荷预测

针对短期电力负荷预测的特点,提出了更适合负荷预测模型,对传统灰色预测模型的局限性进行了改进。采用三点平滑处理削弱了个别不理想数据对整个数据序列的影响,对GM(1,1)模型进行了残值修正,建立了针对后验差检验不合格情况下的新的GM(1,1)模型。通过实证分析与相对误差的比较,该模型具有良好的适应性,可大大提高预测的精度。     

基于改进随机森林算法的电力系统短期负荷预测模型

为了提高电力系统短期负荷预测的准确性,本文提出了基于改进随机森林算法的电力系统短期负荷预测模型。改进随机森林算法是将随机森林算法中的决策树数量和分裂特征数等参数采用粒子群进行优化,通过比较每组参数对应的随机森林袋外数据误差,获取参数最优值,使随机森林算法的性能得到最优,并采用山东省某城市电网的历史负荷数据进行仿真分析。仿真结果表明,与基于传统随机森林算法的预测模型相比,本文所提出的预测模型的平均绝对误差降低0.81%,最大相对误差降低1.89%,说明本文所提出的基于改进随机森林算法的短期负荷预测模型具有更好的预测性能。该研究具有一定的工程实用性。     

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.