电力系统负荷记录混沌特性成因的探讨

研究负荷记录混沌的成因，对于提高短期负荷预报的准确率是必要的。通过对某地全年负荷记录时间序列及其差分序列的3 d时间窗口上的最大李雅普诺夫指数λ₁的计算，发现全年各处都存在混沌特性。天气成因，即“实际天气对人们期望天气的差异”，只能有效解释夏季等λ₁的增大，而不能有效解释全年各处都存在混沌。于是，通过对负荷可预报性的理论分析，发现“用户可以自由地用电一段时间”，即有记忆的随机行为，是负荷混沌的最基本成因。通过AR(10)可以精确预报负荷，也定量证实了这种成因。综合负荷模型中的非线性因素，对于负荷记录中连续功率谱的出现会有一定的贡献。     

电力系统短期负荷预报研究近况

介绍了国内外电力系统短期负荷预报研究进展情况 ,并对其发展提出了一些看法     

短期负荷预测最大Lyapunov指数预报模式预测值的判定

首先分析了相空间中混沌吸引子邻近轨道间的平行、交叉、折叠3种拓扑关系,根据负荷吸引子的特点提出了负荷时序最大Lyapunov指数预报模式预测值的判定依据,并探讨了相空间中临近点(轨道)的选择方法。仿真试验表明改进的负荷预测建模策略避免了原有Lyapunov指数预报模式预测值选择的盲目性,吸引子临近点的选择符合电力负荷数据的特点,所建立的短期负荷预测模型提高了预测精度并达到了预期效果。     

一种简单易行的超短期负荷预报方法

负荷预报一直是电力的一个重要课题,从电网运行的角度,提出并论证了用插值方法进行超短期负荷预测的理论,该方法不像传统方法大量历史数据,从而避免了因数据不准造成的误差。由于这种方法可以在线机上实时进行,因而对实时调度及电网的经济运行具有很大的实用价值。     

广义BP网用于电力系统短期负荷预报

利用广义误差反向传播算法生成了一种应用于电力系统短期负荷预报的神经网络模型,用以克服传统ＢＰ网络所存在的易陷入局部极小点和对初值要求较高的缺陷,模型同时考虑了影响短期负荷预报的若干重要因素,从而增强了模型的精确性和适用性。     

电力系统短期负荷预测方法的研究

采用混沌理论进行电力系统短期负荷预测，对利用Lyapunov指数法进行负荷预测作了介绍，包括用混沌理论实现相空间的重构，以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程，并给出了算法的简单实现步骤。实例预测结果。证明了算法的有效性。揭示了采用混沌理论进行短期负荷预测的优越性。     

用时间序列的李雅普诺夫指数计算预报电力系统中的某些失稳现象

电力系统存在非线性失稳现象,分叉现象（特别是不稳定极限集导致的分叉现象）是导致非线性失稳的原因之一。该文提出了直接利用对实际系统采样得到的时间序列窗口上Lyapunov指数的计算,来预报与不稳定极限集分叉有关或类似的失稳现象。因为用方程研究分叉时,所采用的方程、初值和和等对实际系统存在一定的误差,而分叉现象又对方程、初值和参数极为敏感。该文所建议的方法可弥补用方程研究分叉时会隐含的失误。     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测 ,对利用Lyapunov指数算法进行负荷预测作了介绍 ,包括用混沌理论实现相空间的重构 ,以及通过计算关联维得到最优嵌入维数的方法、计算Lya punov指数的方法和利用Lyapunov指数得到预测负荷数值的过程 ,并给出了算法的简单实现步骤。实例预测结果 ,证明了算法的有效性 ,揭示了采用混沌理论进行短期负荷预测的优越性     

自适应神经网络短期负荷预报系统的实践经验

介绍一种自适应神经网络短期负荷预报系统，详述该系统的实践经验。实践结果表明，该系统与统计方法相比，其鲁棒性更强，预报更加准确，对气候突变也有更好的适应能力。该系统便于携带，稍加改进即可适合其它电力公司的要求。     

电力系统短期负荷预测的非线性混沌改进模型

改进了文「１」中负荷数据序列的Ｌｙａｐｕｎｏｖ指数计算方法,提高了Ｌｙａｐｕｎｏｖ指数的计算精度并增强了可靠性,这种建立在非线性混沌改进模型基础上的预测方法不仅对小数据组可靠,而且计算量小,相对容易操作,通过对华东某电网实际负荷数据进行的预测,精度明显优于文「１」中的方法,且具有较强的自适应能力和通用性。     

地区电网短期负荷预测系统的研究

本文根据吉林市电网的实际情况,研究开发了一个地区电网短期负荷预测系统。该系统包括多种负荷预测方法,可以使运行人员根据负荷变化的具体情况选择预测方法或采用几种方法的组合进行加权预测。文中对各种方法的预测结果进行了分析与对比,并在此基础上分析了影响负荷影响精度的主要原因。软件包具有良好的人机界面,实用性强,已在吉林市供电公司运行较长时间,为运行人员的负荷预测工作提供了有力的支持。     

基于因素影响的电力系统短期负荷预报方法的研究

文章深入研究了天气和特别事件因素对电网负荷的影响;建立了因素影响的负荷预报模型;确定了有效的算法;形成了实用化应用软件;并应用取华北地区京津唐电网。实际应用中,该方法提高了短期负荷预报精度,短期负荷预报软件达到真正的实用化水平。     

基于相似性原理的短期负荷预测方法

提出了基于相似性原理的短期负荷预测方法,它有较高的预测可靠性,尤其适用于预测日天气状况与训练模式天气状况有较大差别的系统。运用相似性原理对人工神经网络的训练模式进行选择,使其与预测日有相似的气象特征,在此基础上,用选择出的相似训练模式对选定的人工神经网络进行训练,从而达到提高短期负荷预测精度的目的。对于特殊工作日而言,加上一个峰值估计环节后,该方法仍然适用。一个实际电力系统的算例证明了该方法的有效性。     

基于输入空间压缩的短期负荷预测

由于影响负荷预测的因素复杂,并且实际获取的历史数据有限,传统的智能预测方法往往达不到工程应用的精度要求。为解决该问题,文中提出一种准确预测电力系统短期负荷的新思路：首先建立负荷输入特征选择模型,其搜索方法采用浮动搜索算法,在去除影响负荷预测的冗余特征之后,利用有限样本学习的统计学习理论(支持向量机)构造负荷预测回归模型,充分发挥其在解决有限样本、非线性中体现出的优势,较好地提高了评估结果的精度和泛化能力。在EUNITE网络中的应用结果证明了该方法对电力系统负荷预测的有效性。     

基于偏最小二乘回归分析的短期负荷预测

对偏最小二乘回归分析在电力系统短期负荷预测中的应用进行了研究。该方法可有效地进行数据准备和样本预处理，并可以对输入因素进行成分提取，提出出的成分具有线性无关的特点，对日负荷有较好的解释能力，且利于建模和预测，此方法另一特点是可以消除输入因素的多重共线性，不需要大量样本作为输入，算例表明，该方法用于短期负荷预测建模速度快，预测精度高，是一种行之有效的方法。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

基于级联神经网络的短期负荷预测方法

针对常和BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络，一系列的研究算例证明该方法是快速，准确的。