基于气象负荷因子的Elman神经网络短期负荷预测

针对地区电网负荷易受气候影响的特点,引入气象负荷因子,提出了一种综合考虑各项气象因素．采用Elman反馈神经网络的短期负荷预测模型。由于Elman神经网络具有动态递归性能．可增强负荷预测模型的适应性。经上海电网实际数据的预测仿真计算,证明此方法与传统神经网络预测模型相比．既能减少输入变量个数,又能有效地提高预测精度。     

基于负荷分解和实时气象因素的短期负荷预测

根据地区气象与负荷的相关关系,从总负荷中分解出对气象不敏感的基础负荷和受气象因素影响的气象敏感负荷,并分别采用灰色系统GM(1,1)模型和基于LMBP (Levernberg–Marquardt back propagation)算法的多层前馈神经网络对二者进行建模预测。在对实时气象因素、日特征气象因素与气象敏感负荷相关性分析的基础上,重点把握某些气象因素与气象敏感负荷之间的联系。通过合理选择神经网络的输入变量,实现了基于实时气象因素的短期负荷预测。实际应用证明了所提出方法的有效性。     

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。     

基于混沌时间序列和神经网络的电力短期负荷预测

提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法,利用混沌理论重构相空间的吸引子,然后用BP神经网络来拟合空间吸引子的演化,同时利用空间欧氏距离来选取神经网络的输入样本,实例预测结果表明所提出方法的有效性和可行性.     

混沌时间序列预测在短期电力负荷预测中的应用

混沌吸引子具有空间的遍历性、总体的稳定性、吸引性和内部分形性，使得混沌预测成为可能。采用非线性系统理论对电力系统的历史数据进行分析，并基于改进的混沌吸引子模型对山西电网实际负荷数据进行短期预测，预测结果相对误差小、精度高，为电力系统短期负荷预测提供了一种新的预测方法。     

混沌时间序列预测在短期电力负荷预测中的应用

混沌吸引子具有空间的遍历性、总体的稳定性、吸引性和内部分形性,使得混沌预测成为可能。采用非线性系统理论对电力系统的历史数据进行分析,并基于改进的混沌吸引子模型对山西电网实际负荷数据进行短期预测,预测结果相对误差小、精度高,为电力系统短期负荷预测提供了一种新的预测方法。     

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想，提出了一种电力短期负荷的多变量时间序列相空间重构方案，同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择，最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度，提出了最近邻域点的优化选择方法，建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明，基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比，具有较强的自适应能力和较好的预测效果。     

电力短期负荷的多变量时间序列预测方法研究

在混沌理论中,负荷预测模型的建立通常由一单变量时间序列的相空间重构来实现,然而在实际过程中往往难以确定单变量时间序列是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时。因此,本文将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了局域线性预测模型。预测结果检验显示,该方法具有较好的预测效果。     

含有山区小水电负荷的气象回归短期负荷预测技术

将负荷分解为正常负荷及小水电负荷,进一步将其分别分解为气象负荷和长期趋势负荷分量,建立气象因素和气象负荷的回归关系,并以回归结果对历史负荷数据进行相似搜索,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度。采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测。应用实例证明,所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,对于负荷总量较小,变动范围较大,受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度。     

基于气象因素粗糙集理论的负荷预测方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文首先采用粗糙集对影响负荷的气象因素进行规则简约,找到影响负荷的核心气象因素;然后以这些核心因素为坐标寻找与预测日距离最小的历史数据,利用时间序列方法进行预测。经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将历史数据的发掘过程量化,便于机器预测。并且预测结果误差小,是一种适用性很强的技术。     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。     

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好     

基于相关因素映射和神经网络的短期负荷预测

由于气象因素对电网负荷影响巨大,在进行短期负荷预测时必须考虑气象因素的影响。在处理负荷与相关因素之间的非线性关系时,神经网络具有其自身的优势,而如何量化不同量纲的相关因素对电网负荷的影响是一个难题。本文提出了一种基于相关因素映射和神经网络的短期负荷预测方法,训练结果表明,这种方法较传统的人工神网络预测方法精度有所提高。     

电力系统负荷预测新技术

系统阐述了负荷预测的基本概念和类型,介绍了混沌理论预测法、灰色模型预测法、人工神经网络法、支持向量机法和专家系统法等新技术。     

基于灰色模型的电力负荷短期预测

准确的负荷预测可以保证电网的安全稳定运行,提高电力系统运行的经济效益,为此,基于灰色理论建立了电力负荷预测模型,并结合陕西省汉中市区电力局某变电站2006年7月的实际负荷讨论了灰色模型在短期负荷预测中的应用,实例计算表明,该模型具有预测精度高、计算过程简单等特点。