基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型

为了更有效提取电力负荷数据中的特征信息，从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强，提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法，先通过粒子群算法对VMD最佳影响参数组合进行搜寻，得到最佳效果的分解子序列，减少不同趋势信息对预测精度影响。然后运用GRU网络，针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明，相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型，此模型具有更高的负荷预测精度。     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于EEMD与动态神经网络的短期负荷预测

提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方法.首先运用EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.     

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．     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于VMD和TCN的多尺度短期电力负荷预测

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。     

基于BP神经网络的电力负荷预测仿真研究

人工神经网络应用于电力负荷预测是目前广泛研究的一个课题。本文首先介绍了人工神经网络在负荷预测中的应用概况,进而分析了BP神经网络原理、模型及算法,建立了负荷预测模型,并配置了网络的相关参数。进而对某地区一天的整点负荷进行预测,根据负荷预测得到的数据．经过Matlab仿真得到了负荷预测值与实际值的曲线,验证了BP神经网络应用于短期负荷预测满足一般精度的要求。     

基于经验模态分解与人工鱼群神经网络的短期负荷预测

提出了采用经验模态分解（EMD）、人工鱼群算法的RBF神经网络与BP神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用经验模态分解（EMD）将非平稳的负荷序列分解成若干平稳序列,然后根据分解后各分量的特点构造不同的神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。     

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.     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

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.     

采用神经网络进行电力系统短期负荷预测的一种降维方法

提出一种采用神经网络进行电力系统短期负荷预测的降维方法。该方法将每天的L个时刻负荷数据降维处理为少数几个持征参数，利用人工神经网络预测待测日的这些参数，以及参照日负荷为依据进行负荷预测。该方法提高了预测精度和速度，预测实例表明该方法的有效性。     

DB小波与RBP神经网络的短期电力负荷预测

基于DB小波与BP神经网络,提出一种DB小波与RBP神经网络的方法对短期电力负荷预测.运用DB小波能够精确地提取时间序列的细微特性和RBP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了DB与RBP预测模型,经实际数据证明该方法提高了预测的精确性.     

基于BAGGING算法和BP神经网络的电力系统负荷预测

电力系统负荷预测关系到电力系统的控制和运行计划,精确的负荷预测有助于提高系统的安全性和稳定性,从而可以提高电力系统的经济效益。电力系统负荷预测问题具有的数据量大、影响因素多等特点,使用单个BP神经网络进行负荷预测时,预测结果随机性大、精度低。本文把BAGGING算法思想与BP神经网络相结合起来,通过生成一组BP神经网络模型,挑选最好的网络模型最为最终的预测模型,进行负荷预测,以提高负荷预测能力。     

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v-SVR的短期电力负荷预测

提出了一种改进支持向量机(v-SVR)的电力系统短期负荷预测方法;将RBF和多项式函数作为核函数,进行了预测研究。研究结果表明,方法要比BP和模糊聚类方法具有很高的预测精度,方法是可行和有效的。