BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

小波时间序列在空调负荷预测中的应用

提出将小波分析和时间序列应用于空调负荷预测;利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上,分解后序列的平稳性比原始序列好得多.其小波分解后的序列用时间序列模型来预测,最后再合成得到原时间序列的预测值.预测结果表明,该模型应用于空调负荷预测具有较高的预测精度,而且明显优于传统的时间序列模型.     

电力系统负荷预测研究

随着市场经济体制的改革,电力行业在发展中面临着巨大的压力,而电力系统负荷预测在电力行业中有着极其重要的作用,因此要想提高电力行业在市场中的竞争力,必须要采用科学合理韵预测方法来调查电力市场情况。现分析了电力系统负荷的特点,并据此研究了具体负荷预测方法。     

基于高斯模糊信息粒化和改进小波神经网络的短期负荷区间预测研究

针对现有短期负荷预测方法适应性不足、预测精度不高,WNN原始连接权值和阈值采取随机赋值并采用梯度学习算法进行修正,存在进化缓慢、易出现陷入局部极小或不收敛等问题,提出了基于高斯FIG和改进WNN的短期负荷区间预测新方法。用收敛速度更快的函数取代常用的输出层神经元函数,并用粒子群算法寻优取代WNN连接权值和阈值随机赋值。把网络连接权值和阈值作为粒子群算法微粒的位置向量,不断调整微粒的速度和位置向量以寻求最优值。选择了合适的数据跨度作为一个粒化窗口,对原始负荷数据进行了高斯模糊粒化处理,得到了对应的高斯FIG后的序列值,并用改进后的WNN对模糊序列值进行了区间预测。与WNN及SVM方法的对比研究结果表明,该方法不仅能够获得比单一负荷值更多的区间信息,而且预测精度更高,能够更好地指导电力系统相关决策。     

夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

机械振动信号分析中小波函数的选择

小波函数直接影响着小波分析的结果.通过对计算机小波分析离散算法的分析,研究了不同阶次的Daubechies函数对分析过程的影响,又以具体的例子展现了相应的分析结果曲线,从而提出了与传统观点不同的小波函数选择标准.该标准对于工程测试中微弱机械振动信号的提取和分析有实际指导意义,有助于减少因函数选择不当带来的误判和误差.     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

基于功能小区方法的电力系统负荷预测

电力系统负荷预测是电网规划的基本工作。介绍了回归预测模型、灰色系统理论预测模型、空间负荷预测法、曲线法、最优组合预测法等中长期电力负荷预测的方法,讨论了功能小区的划分及功能小区的功能分析,通过对功能小区负荷预测的实际计算,结果充分证明了功能小区负荷预测与湖南省衡阳市城区发展的实际情况相符合。说明了基于功能小区方法的电力系统负荷预测具有重要的现实意义和广泛的应用前景。     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成B...     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

混沌预测模型改进及在电力日负荷预测中的应用

针对电力日负荷预测中基于最大Lyapunov指数的传统混沌预测模型的缺陷,提出以下改进思想:采用微分熵法同时确定嵌入维数和延迟时间,改善相空间重构质量的同时,有效减少计算量;引入夹角参数,在与中心点距离最短的点中,筛选夹角最小的点作为最终邻近点;基于相似性原理,引入取舍规则,使得计算结果唯一确定。本文方法解决了传统预测模型计算量大、运算速度慢、预测精度不高以及正负号选取等问题。通过对典型混沌系统数值验证和某地区实际电力负荷系统的预测分析证明了本文方法的可靠性和高效性,为电力日负荷预测提供了一种新的有效途径。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

专家系统在电力预测负荷中的应用

电力负荷预测是一项重要但又非常复杂的工作．因为它受到大量不确定因素的影响．因此预测过程需要考虑多种因素。为了充分考虑这些因素，文中提出利用专家系统来修正决策树的修正结果。预测过程为先利用决策树建立预测模型，对待测日负荷进行初步预测．然后再结合专家系统中的修正模型对初步结果进行修正，得到最终预测结果。统计分析结果表明该方法满足实用标准，具有有效性和实用性。     

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

灰色系统理论在负荷预测中运用综述

灰色理论广泛运用在负荷预测中。该文分析了灰色预测模型,指出模型存在的缺陷,并对负荷预测应用中的传统灰色预测模型的改进方法进行分类介绍,同时对灰色负荷预测技术的发展趋势进行展望。     

小负荷短期预测中一种模糊聚类方法的探讨

由于影响负荷的随机因素很多,小容量负荷受冲击负荷影响较大,传统模型中的相似目选择一般采取夹角余弦法,选取的精度有待提高。模糊聚类分析是模糊数学中一种有效的分析方法,应用模糊聚类分析中基于目标函数的方法可对负荷的历史样本进行高精度的分类,所采用的HCM算法有效地提高了分类精度;在此基础上运用AGO回归算法进行合理的数据拟合后得到预测结果。算例证明,此方法是十分有效的,提高了小负荷短期负荷预测的精度。