混沌理论在电力系统负荷预测中的应用

混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感,遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求。因此,近年来,混沌理论在电力系统负荷预测中得到了越来越广泛的应用。在总结和归纳传统预测方法的基础上,对混沌理论应用于电力系统负荷预测中的研究现状进行了综述,其中包括混沌时间序列的主要思想、混沌时间序列分别与传统预测技术、神经网络以及模糊理论相结合在负荷预测中的应用,并指出了这一技术的研究动向及应用前景。     

混沌理论在电力系统负荷预测中的应用

混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感,遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求.因此,近年来,混沌理论在电力系统负荷预测中得到了越来越广泛的应用.在总结和归纳传统预测方法的基础上,对混沌理论应用于电力系统负荷预测中的研究现状进行了综述,其中包括混沌时间序列的主要思想、混沌时间序列分别与传统预测技术、神经网络以及模糊理论相结合在负荷预测中的应用,并指出了这一技术的研究动向及应用前景.     

基于混沌神经网络理论的小电网短期电力负荷预测

通过对小电网负荷数据的特点分析,将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算,并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明,利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

基于混沌神经网络理论的小电陨短期电力负荷预测

通过对小电网负荷数据的特点分析，将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算，并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明，利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

混沌理论在中长期电力负荷预测中的应用

本文针对传统的非线性回归模型很难求出精确解并且趋势外推发散快、误差大的缺点,提出了一种将非线性回归和混沌预测相结合的中长期负荷预测方法,混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感、遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求,并通过与灰色预测方法的比较和详细的算例分析,说明了该方法的有效性。     

混合混沌理论和关联度的神经网络短期电力预报模型的研究

提出一种将混沌理论、关联度和神经网络相结合的短期负荷预测模型,首先利用混沌理论重构负荷时间序列的相空间吸引子,然后用BP神经网络来拟合空间吸引子的演化,由于使用空间欧氏距离和关联度联合来选取神经网络的训练样本,这样就提高了神经网络对负荷序列混沌特性的联想和泛化推理能力,能够更好的拟合吸引子的演化。实例预测结果表明,本文所提出的预报是有效的、可行的。     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

基于大数据分析的混沌神经网络模型在负荷预测中的应用

利用大数据分析方法对石家庄地区小时负荷数据的混沌特性展开数据挖掘分析,并综合考虑负荷历史数据、气象因子等影响因素,建立了基于混沌理论与神经网络相结合的负荷预测模型,并利用该模型对石家庄地区短期电力负荷进行了有效的预测。     

应用相空间重构理论分析电力负荷时间序列

电力系统负荷的复杂性及非线性相应地增加了对其预测的难度。电力负荷的混沌预测是建立在重构电力负荷序列的相空间基础之上的。重构合适的相空间,使空间轨道充分展开是进一步混沌序列预测的前提。本文结合混沌理论的思想,重点阐述了电力负荷时间序列的相空间重构的思想和算法,并以实际电力负荷数据加以验证,得出了电力负荷的时间序列是一种周期性和混沌性共存的时间训练序列。确定了时间序列后,以重庆江北区负荷为例进行短期预测,取得了良好的预测效果。     

基于门限小波包的负荷预测方法的研究(二)短期负荷预测

根据对电力负荷曲线的分析研究得知：短期负荷曲线具有周期规律性和波动性。而门限小波包既可以自定义自变量域来对应其周期规律性,又可以因其具有良好的局部性来准确描述其波动性,依此建立基于门限小波包的短期负荷预测模型,并提出了随机调整函数的概念,得到满意的预测结果。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。首先,针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,然后,在蚁群算法改进粒子群算法(GPSO)中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。本文采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN方法提高了2.3626%。     

基于EMD和干预分析的电力系统短期负荷预测

电力系统短期负荷预测受到多方面因素的影响,变化规律复杂。在将经验模态分解法(empirical mode decomposition,EMD)引入电力负荷预测领域的基础上,结合干预分析理论,构建了基于干预分析理论和EMD分解相结合的短期负荷预测模型,先应用干预分析理论将气温敏感负荷从原始负荷序列中提取出来,再对消除了气温负荷后的净化负荷序列应用EMD进行分解预测,并将模型应用于我国华东某地区电网负荷预测。算例结果表明,与不经干预分析直接进行分解预测的结果相比,本模型预测误差明显降低。     

基于分形理论的电力负荷持久性分析及预测

讨论了非线性电力负荷持久性问题,并在持久性区间利用分形插值算法进行了短期负荷预测。运用分形理论中的重标极差分析方法构造了电力负荷分析模型,揭示了负荷波动变化的持久性,表现出了隐藏于随机性之后的有序性,说明负荷特性是可以延伸的。由于在持久性区间内负荷之间是紧密联系的,因此可利用分形拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统,进而实现高精度的日电力负荷预测。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

神经网络和模糊理论在短期负荷预测中的应用

为提高短期负荷预测的精度,构建一种基于自组织特征映射神经网络和模糊理论的短期负荷预测方法.预测分两个阶段,先根据自组织特征映射神经网络聚类特性,进行第一阶段的负荷预测,在学习训练时,区别于普通的无监督竞争学习采用有监督竞争的学习方式以缩短学习时间,提高学习精度.第一阶段预测出一个基本的负荷值后,在第二阶段利用模糊理论根据前一个时段的预测误差和误差变化对其进行校正.使用该方法不仅能预测工作日负荷还能预测休息日负荷,实例分析证明了该方法的有效性.     

基于小波包的马尔科夫方法在短期负荷预测中的应用

为了提高电力系统短期负荷预测的精度,提出了一种基于马尔科夫模型的组合预测算法。该算法利用双正交小波线性相位的特点,对负荷时间序列进行小波包多分辨分解。针对短时电力负荷具有较强随机波动性,采用软阈值方法检测和处理不良信号,用去噪后的信号建立模糊马尔科夫预测模型,通过将各负荷序列的预测值加以组合得到最终预测结果。经实际算例验证,该算法能有效地提高预测精度,具有良好的抗干扰和容错能力。     

基于RAN网及小波神经网电力系统短期负荷预测

介绍电力系统负荷预测研究现状,将小波分析与神经网络相结合,构造了一种适用于非线性系统建模预测的小波神经网络。讨论运用小波神经网进行电力系统短期负荷预测的算法及在预测过程中对电网负荷数据进行预处理的方法。首次提出了RAN网新型网络结构并探讨了在电力系统短期负荷预测中的应用。分别应用2种方法对东北电网进行了72h短期负荷预测仿真。仿真结果表明,用小波神经网和RAN网进行建模预测比BP网训练步数大大减少,缩短了网络训练时间,提高了预测精度。     

基于模糊逻辑与神经网络的短期负荷预测

针对电力系统受多种因素影响的特点,应用模糊逻辑理论和人工神经网络两种方法,发挥各自优势,设计出一个有效的电力系统短期负荷预测系统。该系统着重考虑温度、日期类型以及特殊日期等因素对负荷的影响,实际测试证明可以提高系统的预测精度,适合在电力系统短期负荷预测中应用。