一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本，可以降低与预测日不一致负荷模式的影响，提高预测精度，并运用人工神经元网络预测下一天的96点负荷，主要包括3个部分，首先，运用CART分类法将输入空间分成若干矩形互斥区域，每一个区域对应一种负荷模式；其次，根据分类结果选取神经元网络的训练样本．最后，合理映射天气因素和日期、星期类型并进行预测．实际应用表明本方法对于大波动负荷地区能够改善预测精度，提高预测速度．     

回归直线在电力中期负荷预测中的应用

电力负荷预报,是为电网规划、电网拓展、电源合理增长、最佳投资时间等提供决策依据,以获得最大的社会和经济效益。在社会主义市场经济条件下,配合回归直线对中期负荷预报提供了一种预测方法。     

最小概率最大化回归方法在电力负荷中期预测中的应用

提出使用最大化最小概率机器回归MPMR方法来解决电力负荷中期预测问题，结合EUNITE网络2001年举办的电力负荷预测比赛提供的数据进行相关数据分析，建立相应的电力负荷中期预测模型。在分析最大化最小概率机器MPM及用于回归的原理的基础上，使用MPMR方法对不同的训练样本集进行训练，并计算出预测期的预测值，取得了理想的预测结果。核函数形状参数p及回归管道宽度8的选取将直接影响MPMR回归技术的系统性能，试验中使用了交叉验证的方法确定这2个参数值。通过交叉验证求得，当核函数形状参数和回归管道宽度取值都为3时预测效果更为理想。文中对试验结果进行分析，并与相关向量机等其它方法比较，总结了MPMR预测方法的特点。     

SAS在电力负荷特性分析及预测方面的应用

为有效发挥软件SAS强大的数据处理和分析的功能，使之能为电力系统服务，主要从主成分分析、聚类分析和多元回归分析3个方面，阐述SAS在电力系统负荷特性分析中的应用。通过一些示例说明SAS的具体应用，从而显示它的一些重要功能：揭示了大量数据之间的联系和影响规律，并可根据得到的结论为其他方面的工作提供必要的信息支持。因此，SAS在电力系统中的应用还是大有作为的，并相信随着电力市场的到来，其作用会更加明显。     

模糊线性回归法在负荷预测中的应用

线性回归是电力系统中期负荷预测的常用方法。由于受众多不确定性因素的影响，历史数据和相关变量未来取值常常是不准确的，致使该方法的预测结果误差较大。为了提高电力负荷预测的精度，作者提出了一种改进的模糊线性回归预测方法，即加权模糊线性回归预测法，它将模糊线性回归法预测模型的求解归结为一个线性规划问题，并对该模型进行改进，按照回归变量的重要程度确定目标函数中各项的权重，并按照各历史数据的重要程度确定贴近度标准。文中提出的改进模型即加权模糊线性回归模型是可调的，能够灵活计及预测中的一些定性模糊因素。实际算例表明，文中的改进措施提高了模糊线性回归法的预测精度。     

电力负荷预测技术

随着电力市场改革的逐渐深入，负荷预测的准确性更为重要，而负荷预测的方法也多种多样，这里介绍电力负荷预测技术的几种常用方法和该技术新的发展趋势。     

应用于负荷预测中的回归分析的特殊问题

与常规的回归分析中采用线性参数估计的方法不同,直接采用非线性参数估计计算,从而得到更精确的预测模型。为了体现预测中的“近大远小”原则,对历史数据作架驻处理,使不同时段的数据以残差平方和表达的目标函数中产生不同的影响,由此使预测结果的变化趋势在很大程度上取决于历史时段中近期的发展规律。最后将上述技巧放在同一框架下统一考虑,给出了一般性的非线性加权回归预测的方法和步骤。     

基于稳健回归的电力负荷预测

回归分析中,回归系数的确定一般采用普通最小二乘法(OLS),而OLS估计参数一般要求数据满足一些性质,如正态性等等.而现实中的数据,往往不能满足那些性质.这样就导致常用的参数估计方法,如OLS,很难达到满意的预测精度.对于含有异常点的数据,引进了一种方法--M-估计法,分别采用最小二乘法和稳健回归的M-估计法估计参数,建立了用电量的回归模型.通过对比表明了稳健M-估计可以克服最小二乘估计受离群值影响较大的弊病,能保持较满意的预测精度,使模型参数更接近实际模型,具有稳健性.     

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型。首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数之后,利用核密度估计得到未来短期负荷的概率密度函数。通过具体算例分析,验证了所提模型的有效性与优越性。     

基于空间负荷预测的负荷预测软件

基于空间负荷预测的负荷预测软件采用VisualC++、SQLServer2000、ADO等通用工具开发。软件改进了区域电网预测方法和最大负荷指标选取方法,具有图形化操作界面和数据库管理功能,并结合大量负荷采样数据,生成了负荷特性曲线库。该软件应用于电力系统中,被证明了具有较高的预测精度,提高了电网规划的工作效率。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。     

基于粗糙集的默认规则挖掘算法在电力系统短期负荷预测中的应用

将基于粗糙集的默认规则挖掘算法(Mining Default Rules Based on Rough Set,MDRBR)用于电力系统短期负荷预测,首先采用基于Gini指标的粗糙集离散化算法对气温、湿度等影响负荷的条件属性进行离散化,同时兼顾了条件属性和决策属性。在此基础上,通过计算规则的信赖度和支持度形成不同层次上符合初定阈值的带粗糙集算子的网络规则集,能减少因噪音的影响而产生的多余规则,提高规则产生和实际分类的效率,使所产生的分类规则集大大缩小,提高在使用规则时检索规则的效率。在负荷预测时自上而下逐层搜索规则网直至找出与所给信息相匹配的规则。粗糙集算子反映了规则的重要程度,同时作为选择规则的标准。实际应用表明,该方法能有效去除噪音,提高默认规则的挖掘效率,从而提高负荷预测的精度,具有一定的实用性。     

区域电网规划负荷预测实例

负荷预测是电力规划的基础,采用线形趋势模型法、电力弹性系数法、空间负荷密度法对广州经济技术开发区进行了负荷预测。提出了负荷指标的改进方法,并对新发展起来的空间负荷密度法进行了论述。几种负荷预测方法的结合有效改善了负荷预测结果。     

运用季节和趋势模型预测用电负荷

用电需求迅猛增长和电力供需矛盾日益突出使得用电负荷预测越来越重要。对引起用电负荷变化的季节性和趋势性特点进行分析,并以此为依据,建立季节和趋势摸型来预测2004年月度用电负荷。预测结果表明季节和趋势预测模型是一种有效和可行的负荷预测方法。运用该方法对负荷进行预测对于如何在现有的供电容量下提高电能使用效率、提高电网负荷宰具有重要的指导意义。     

基于改进广义回归神经网络的日负荷曲线预测

提出了基于改进广义回归神经网络(GRNN)的日负荷曲线预测模型。对GRNN模型的输入元素进行分析筛选,并同时输出一天48点的负荷预测值,在保证预测精度的基础上大大提高了预测速度。采用烟台某变电站实际负荷进行预测分析,结果证明了该方法的有效性。     

基于改进型SVR的电网短期负荷预测

常规的支持向量回归预测模型（SVR）预测算法采用人工经验的方法对RBF核函数参数、不敏感系数和惩罚系数等参数进行选取,其性能会因随机选取的参数而变得随机和不确定。人工鱼群算法的初始参数会对整个算法的优化性能产生较大影响,将粒子群优化算法和混沌机制引入常规人工鱼群算法,对其进行改进,可以提高种群多样性和全局寻优能力,避免优化算法陷入局部最优解。通过实验方法对改进型人工鱼群优化SVR预测模型的性能进行分析。结果表明,所研究的短期负荷预测精度较高,具有较好的工程应用价值。     

基于灰色模型的短期电力负荷预测系统设计

高精度的短期电力负荷预测在现代电力系统的安全和经济运行中起着重要作用。介绍了短期电力负荷预测系统的结构与数据库E-R图。给出了预测考核标准公式,该预测系统具有界面美观、简单适用等特点。实践证明,系统在减轻调度人员负担,实现调度自动化方面发挥了重要作用。