基于卡尔曼滤波的节假日短期负荷预测

随着电力系统智能化的不断发展,高精度的短期电力负荷预测成为电力系统经济运行研究的重要课题之一。在介绍了卡尔曼滤波原理的基础上,给出了卡尔曼滤波一步递推方程组。结合电力系统负荷情况,建立了卡尔曼滤波短期负荷预测模型,并对其进行预测。通过引入假期因子提出了改进的卡尔曼滤波算法,提高了卡尔曼滤波预测精度,验证了改进算法的正确性和有效性。     

基于卡尔曼滤波的短期负荷预测方法的研究

负荷历史数据是负荷预测的基础。负荷历史数据由于测量、人为等因素而造成不准确，因而导致负荷预测也不准确。文中提出利用最小二乘法线性拟合建立负荷数据基本模型，用3次样条插值对卡尔曼滤波器的系统参数进行辨识，最终用卡尔曼滤波器对历史数据进行预处理，以纠正由于测量错误或人为改动的数据。对文中所提方法进行了验证。结果表明，后验误差在3％之内，效果很好。     

基于神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.     

粒子群优化BP神经网络在短期负荷预测误差修正模型中的应用研究

短期负荷预测是电力系统安全稳定运行的前提与保证。误差修正模型是在考虑相关因素相似度识别的预测方法基础上,利用BP神经网络优秀的学习能力捕获相关因素与历史预测误差的非线性映射。针对BP网络存在的自身缺陷,采用改进粒子群算法优化BP网络参数,得到可靠的误差预测,建立误差修正模型对未来负荷进行修正预测。通过算例验证了其可行性和实用性,达到了提高短期负荷预测准确度的目的。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

基于卡尔曼滤波二次修正的短期负荷预测

针对卡尔曼滤波在短期负荷预测中只是进行一步预测的问题,提出了由预测协方差阵构建测量方差方程的方法,对测量新息做出估计,实现了一步预测基础上的二次修正。给定某一置信度,得出负荷相应置信水平下的置信区间包络线,以此为风险分析、可靠性评估提供数据支持,对修正结果进行了确认。通过对实际电网1周的负荷数据进行仿真分析,并与普通卡尔曼滤波及基于移动窗的滤波算法分别进行比较,验证了提出方法的有效性和优越性。     

基于BP神经网络的电网短期负荷预测模型研究

为了获得能够反映短期负荷波动的自动预测模型,将BP神经网络运算逻辑与Matlab神经网络工具箱相结合,利用供电系统的气象条件、供电日的日期类型等函数干扰因素作为BP网络神经元的约束"权值",结合自适应控制中的节假日、供电限制等"外部干预项",通过模型对系统历史运行短期负荷数据进行自动"学习",获得一个具有自适应学习速率...     

基于卡尔曼滤波的电力系统短期负荷预测

介绍了卡尔曼滤波的算法,给出了一套递推计算公式,将此算法应用于短期负荷预测,并针对负荷预测本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确的预测结果。     

基于卡尔曼滤波的电力系统短期负荷预测

介绍了卡尔曼滤波的算法,给出了一套递推计算公式,将此算法应用于短期负荷预测,并针对负荷预测本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确的预测结果.     

基于灰色生成的卡尔曼滤波短期负荷预测

根据灰色系统理论数据生成方式,提出了利用负荷级比累加序列进行卡尔曼滤波短期负荷预测的方法,以减小数据波动对预测精度的影响.首先依据移动时间窗原理对预测点附近的历史负荷数据进行提取,再采用级比和累加生成方式对提取数据进行处理,最后运用卡尔曼滤波算法对负荷级比序列累加值进行预测,并通过还原算法得到所需预测时刻的负荷值.对实际电网的负荷数据进行为期一周的仿真分析,其结果表明了该方法比基本的移动时间窗滤波算法具有更好的预测效果.     

基于粒子滤波算法的电力系统短期负荷预测研究

针对电力系统短期负荷随机性和偶然性较大,使得传统的卡尔曼滤波或者扩展卡尔曼算法不能发挥最优的滤波效果的问题,建立了基于粒子滤波算法的负荷预测模型,并讨论了参数选择对预测结果的影响,给出了优化的状态参数选择区间.通过对仿真验证了本文方法的有效性,最后将本文的方法与卡尔曼滤波算法进行了对比仿真,仿真结果证明本文提出的方法具...     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

神经网络在电力系统短期负荷预测中的应用综述

神经网络是目前研究最多的短期负荷预测方法。详细综述了BP网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状。简单介绍了神经网络中常用的BP算法以及改进的BP算法。综述了神经网络在组合预测中的应用，并指出目前神经网络还存在的一些问题。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

应用Kalman滤波方法的超短期负荷预报

几分钟到一小时的超短期负荷预报在电网在线控制中占有重要地位。本文将Ｋａｌｍａｎ滤波方法应用于超短期负荷预测，并在预报过程中引入极大似然估计进行模型未知参数辨识，达到了参数估计过程与预报过程的统一。并给出本算法在几个电网中的实际应用情况及算例分析。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。