一种基于决策树技术的短期负荷预测算法

提出了一种基于决策树技术的短期电力负荷预测新方法,能有效地考虑非负荷因素对短期负荷预测的影响.文中详细介绍了决策树技术的原理及其在短期负荷预测中的实现方法.实际电力系统应用结果数据表明,该方案能够有效提高短期负荷预测的精度.     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

基于决策树的外推算法在福建电网短期负荷预测中的应用

提出了一种将决策树技术同外推算法相接合的短期负荷预测算法。采取“分而治之“的策略:用决策树技术处理负荷中的温度分量,外推预测算法预测除去温度分量之后的负荷分量,最后叠加这两种分量,得到预测结果。这种算法运用于福建省调日调度计划的编制,预测精度较高。     

基于小波分解和ID3算法的短期日负荷最大值预测方法

为了综合考虑气象对负荷的影响,本文引入了生物气象学中的实感温度、寒冷指数、温湿指数、舒适度4个指标来量化气象因素的综合影响。将原始负荷序列进行小波去噪,及对负荷变化率进行离散化处理后,通过ID3算法生成负荷预测决策树模型,在得到实感温度、寒冷指数、温湿指数和舒适度后对日负荷最大值进行预测。经算例证明,该模型能够满足负荷预测实用化标准的要求。     

基于人工神经网络的日负荷预测方法的研究

基于人工神经网络原理,设计了一个三层的ＢＰ网络模型。充分利用了神经网络高度非线性建模能力,实现电力系统的短期负荷预测。文中对样本数据进行了预处理,以及在算法中引入附加冲量项,以提高训练速度。预测仿真结果证明使用人工神经网络方法进行短期负荷预测是可行的。     

基于数据挖掘的负荷预测

简要叙述了数据挖掘技术及其在电力系统中的应用情况。提出了一种基于数据挖掘中时间序列相似性研究的电力负荷预测方法。通过采用序列分段平均值技术降维，结合滑动窗口和MBR方法实现子序列相似查询，并利用R -树作为多维索引结构提高检索效率。实验结果证明提出的方法是行之有效的。     

基于改进决策树的充电桩故障预测方法

为了保证电动汽车充电桩的安全稳定运行,提高充电桩故障预测准确性,提出一种基于改进决策树的充电桩故障预测方法。首先,对充电桩的运行参数进行预处理,将处理后的数据作为模型输入;其次,建立基于粒子群算法改进的决策树的充电桩故障预测模型;最后,采用真实充电桩故障的数据集进行仿真分析。仿真结果表明,所提出的方法能有效提高模型预测准确性。     

短期负荷预测的解耦决策树新算法

短期负荷预测是电力系统调度的重要工作之一,但影响因素众多,完全由算法形成决策树易误判.为提高精度,结合决策树和解耦法将负荷预测分解为标幺曲线和平均负荷预测,根据不同预测条件分别对预测日的标幺曲线和平均负荷形成决策树,决策树前两层由实际经验指定,其余节点自动形成.充分考虑影响负荷的不同因素,越重要的影响因素越靠近决策树上层,能适应各种情况下的负荷预测.在我国北方某市的实际应用表明,该法预测精度较高.     

改进的BP算法及其在短期负荷预测中的应用

提出BP的改进算法，采取初始化样本数据，改变隐节点作用函数形式，增加节点函数的陡度、自适应调整学习率等措施提高了学习速度。应用改进的BP算法进行的短期负荷预测，验证了改进措施的有效性，取得了满意的预测结果。     

数据挖掘与非正常日的负荷预测

提高非正常日的负荷预测精度是当前负荷预测工作的难点。文中提出了一种基于知识库的事先判别突变并做出适当处理的预测流程,介绍了利用数据挖掘的决策树技术建立知识库的方法,并给出了几种典型的非正常日修正模型。最后,通过对长时期负荷预测数据的统计分析,说明了新方法的有效性和实用性。     

运用决策支持对象实现短期电力负荷预测

运用微软通用的决策支持对象(DSO),结合区域电网气象负荷数据库设计了决策树形式的数据挖掘模型并实现了日负荷预测系统.在描述了DSO分层结构特性之后,分析研究了日负荷预测的决策树数据挖掘模型构造过程并给出了程序化实现方法,进一步实现了通过决策树算法的负荷预测过程.实际使用的效果统计分析结果表明本系统达到并超过实用标准,具有智能自适应、自学习和全过程自动化,通用可靠以及准确率高等特性,是值得推广的方便实用型负荷预测工具.     

基于电力负荷模式分类的短期电力负荷预测

根据历史数据集的基本知识建立一个基于模糊规则的电力负荷模式分类系统,在考虑规则的分类准确性和可解释性的情况下,利用遗传优化算法挑选出Pareto最优模式分类规则集用于电力负荷模式分类.并在仿真试验中,将此分类系统用于电力负荷预测,结果表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能.     

基于模糊多目标遗传优化算法的节假日电力负荷预测

多目标遗传优化算法的一个优点就是可在一次迭代计算中寻找到问题的多个非劣最优解。该文应用多目标遗传算法和关联规则算法提出一个基于模糊规则的电力负荷模式分类系统。在此分类系统中采用多目标遗传优化算法从众多模糊分类规则中自动挑选出具有较好识别性能和可解释性的模糊规则，并利用模糊关联规则挖掘通过启发式规则选择改善遗传算法的搜索性能。经仿真试验表明此分类系统具有较好的分类性能，可为节假日负荷预测提供更为充分的历史数据，从而改善其负荷预测性能。     

基于卡尔曼滤波的短期负荷预测方法的研究

负荷历史数据是负荷预测的基础。负荷历史数据由于测量、人为等因素而造成不准确，因而导致负荷预测也不准确。文中提出利用最小二乘法线性拟合建立负荷数据基本模型，用3次样条插值对卡尔曼滤波器的系统参数进行辨识，最终用卡尔曼滤波器对历史数据进行预处理，以纠正由于测量错误或人为改动的数据。对文中所提方法进行了验证。结果表明，后验误差在3％之内，效果很好。     

中长期日负荷曲线预测的研究

针对我国电力部门所积累的基础数据，提出了一种基于用电结构分析的日负荷曲线预测方法，在建模时引进了灰色系统的思想，对原始数据作了生成处理，所建立的数学模型物理意义明确、表达方式简捷，并针对其特点提出了有效的求解方法，通过实例计算表明算法的有效性。     

基于最大负荷预测的地区电网静态安全分析

从面向规划的角度出发,提出了一种基于最大负荷预测的地区电网静态安全分析方法,对面向规划的静态安全分析的特点、最大负荷预测模型的建立及使用和静态安全分析的方法等进行了研究与探讨,改进了年最大负荷的取值方法,并结合大量的负荷采样数据,生成了负荷特性曲线库,明确了在此基础上的软件实现方法、结构流程和功能.所开发的软件应用表明,该方法便于发现电力系统的预期网架结构在未来预测负荷水平下的安全隐患,并能辅助使用人员作出合理规划.     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

基于电力细分市场的负荷分解预测方法

分析了我国五大用电细分市场,对不同行业的用电负荷与其影响因素建立了有针对性的联系,对其分别建模进行综合预测.在预测不同行业负荷时,利用小波分析的方法将其分解为与气象因素无关的稳定项和与气象因素相关的随机项,由于稳定项预测精度高,随机项较难预测但幅值较小,因此削弱了随机因素带来的预测误差对最终结果的影响.用湖南省负荷数据对该方法进行了实测,证明了其优越性.     

逐级均值聚类算法的RBFN模型在负荷预测中的应用

该文针对传统K均值聚类算法的不足,提出了一种新的聚类算法--逐级均值聚类算法,解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题.在应用该算法确定RBF模型隐含层的中心向量时,同时确定了隐含层的节点数和RBF网络模型的结构.对于网络参数的确定,文中也提出了一种新的交互式的学习方案,将学习样本分为训练样本和测试样本,分别对网络进行权值确定和半径调节,得到了非常稳定的网络结构.运用文中所述模型及算法与传统的RBFN进行负荷预测比较,结果表明前者网络更稳定,预测精度更高.