电力系统短期负荷预测方法的研究

采用混沌理论进行电力系统短期负荷预测，对利用Lyapunov指数法进行负荷预测作了介绍，包括用混沌理论实现相空间的重构，以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程，并给出了算法的简单实现步骤。实例预测结果。证明了算法的有效性。揭示了采用混沌理论进行短期负荷预测的优越性。     

基于混沌神经网络模型的电力系统混沌预测与控制

由于电力系统的日趋复杂和庞大，电力系统除了因负阻尼引起的低频振荡外，还存在PSS不能消除的混沌振荡的危机。为及早判断和抑制电力系统的混沌振荡，提高电力系统稳定性，根据电力系统的负荷时间序列重构吸引子相空间，计算相空间饱和嵌入维数和最大Lyapunov指数，并以此为指导，建立混沌神经网络预测模型，该模型即便在电力系统负荷含有部分坏数据输入的情况下，仍能对电力系统的混沌特性进行精确地判断和预测。如果判断出系统存在混沌现象，则设计模糊神经网络预测控制器，实现了对电力系统混沌振荡的预测控制。仿真结果表明，该方案对抑制电力系统混沌振荡具有显著效果。     

基于神经网络与混沌理论的电力系统短期负荷预测

短期负荷预测是电力调度部门的重要工作之一.负荷预测的精度直接影响到电网的安全、经济和稳定运行.本文针对目前负荷预测中单一预测理论精度较低的问题提出采用BP神经网络与混沌理论相结合的算法.以变步长和附加动量法进行改进,同时以混沌时间序列来确定网络结构,从而克服了算法对大量训练样本的依赖.提高预测精度和速度.对成阳区域电网负荷的实际预测结果表明了该方法的有效性.     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测 ,对利用Lyapunov指数算法进行负荷预测作了介绍 ,包括用混沌理论实现相空间的重构 ,以及通过计算关联维得到最优嵌入维数的方法、计算Lya punov指数的方法和利用Lyapunov指数得到预测负荷数值的过程 ,并给出了算法的简单实现步骤。实例预测结果 ,证明了算法的有效性 ,揭示了采用混沌理论进行短期负荷预测的优越性     

电网短期负荷预测的混沌方法

通过计算四川全省电网小时负荷时间序列的混沌特征量：饱和关联维数、最大Lyapunov指数和Kolmogorov熵，论证了该小时负荷序列属于混沌时间序列。以负荷相空间重构为前提，分别应用混沌分析法的相似点模型、线性回归模型及Lyapunov指数模型对其短期负荷预测，并对比了三种模型预测的效果，预测结果表明了混沌预测方法的有效性。     

电力系统短期负荷预测的非线性混沌改进模型

改进了文「１」中负荷数据序列的Ｌｙａｐｕｎｏｖ指数计算方法,提高了Ｌｙａｐｕｎｏｖ指数的计算精度并增强了可靠性,这种建立在非线性混沌改进模型基础上的预测方法不仅对小数据组可靠,而且计算量小,相对容易操作,通过对华东某电网实际负荷数据进行的预测,精度明显优于文「１」中的方法,且具有较强的自适应能力和通用性。     

基于混沌理论的电力短期负荷预测

采用基于混沌算法的自适应预测模型进行电力系统短期负荷预测,通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,预测精度高.     

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。     

基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念,这种方法不复气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度,对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

电力系统边际电价的混沌特性及预测

采用非线性系统理论对电力系统历史边际电价数据序列进行了特征分析，根据边际电价时间序列具有分数维D2及最大Lyapunov指数λ1大于零，发现电力系统边际电价具有混沌特性。按照本文给出的相空间近邻等距方法，对某电网实际电价数据进行了预测，结果与实际相符，为电力系统电价预测提供了一种新的预测方法。     

基于混沌学习算法的神经网络短期负荷预测

基于混沌理论对电力负荷的复杂时间序列进行分析,得出该时间序列属于混沌序列的结论,就此提出了一种新的神经网络（NN）学习算法——混沌学习算法。该算法中的混沌轨道的游动性有利于系统跳出局域极值的束缚而寻求全局最优,这样克服了前馈NN 的BP学习算法所存在的本质问题,使NN训练的收敛性好、速度快、误差小。文中通过对实际系统负荷预测结果,与BP算法预测结果比较,证明了混沌学习算法的电力负荷短期预测具有明显好的效果。     

基于混沌时间序列的负荷预测及其关键问题分析

通过对混沌时间序列进行分析,找出了运用它进行电力系统负荷预测的关键因素:"取舍规则"、嵌入维数和延时的选取.笔者还建立了一种"取舍规则",并运用它进行了实例分析,结果表明基于该"取舍规则"进行负荷预测的效果良好.     

相空间重构和支持向量机结合的电力负荷预测模型研究

风电机组集中并网会对电网安全稳定运行带来影响,为了合理规划各类供电机组高效运行,对电力负荷预测的精度提出了更高的要求。电网负荷时间序列具有混沌特性,普通预测方法难以描述其特性和内在规律。利用混沌相空间重构理论对负荷时间序列进行研究,用互信息法和CAO方法分别求得时间延迟和嵌入维数,并由此得到系统最大李雅普诺夫指数,证明其具有混沌特性。然后根据时间延迟和嵌入维数对样本数据相空间重构,在此基础上利用支持向量回归算法(PSR-SVR)对电力负荷进行预测,支持向量回归采用网格寻优确定参数。最后将预测的结果同时间序列模型和BP神经网络模型的预测结果进行对比,结果表明,这是一种误差小,精度高的电网负荷预测方法器。     

电力系统负荷预测研究综述与发展方向的探讨

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国开展电力系统负荷预测工作提出了一些建议。     

短期负荷可预报天数的初步研究

只依据历史数据的短期负荷预报，预报准确率会随预报时间的增大而明显降低。这种现象来源于负荷记录的混沌特性。通过傅里叶级数展开，以及吸引子的相关维数、最大李雅普诺夫指数等分析，发现某地的负荷是双周期行为和混沌行为的合成。双周期成分是可以精确预报的，负荷预报的误差主要来自混沌成分。混沌成分的可预报天数约为15 d。按混沌成分占负荷的比重折算后，得到的负荷可预报天数约为3 d。     

电力系统混沌现象及相关研究

利用非线性动力系统的基本理论,并借助于一个简单的电力系统,给出了电力系统中导致混沌出现的两种不同的途径。运用Piocare截面和Piocare映射技术,深入研究这两种途径的表现形式、内在规律、引发机理,并进一步讨论了它们与电力系统扰动间的关系。由于混沌现象存在时,系统运行参数将伴随持续无规则的振荡,这在电力系统运行中是绝对不允许的,而弄清楚混沌的产生机理,将有利于对它的预防。     

短期负荷预测最大李亚普诺夫指数法的改进

现有采用最大李亚普诺夫指数法进行负荷预测的3种改进技术为:应用待预测点对应的时间窗口上的最大李亚普诺夫指数估计(变化的数值),可以获得更高的准确率;应用"气温-负荷"相关系数等,改进"取舍规则":应用多个"邻近矢量"预测增加抗噪声能力.以此构造的2类改进预测方法是:采用"变最大李亚普诺夫指数、改进的取舍规则以及多邻近矢量"预测法;采用"多邻近矢量对应的1步负荷加权"预测法.后者还可用于非混沌序列预测.数值计算还表明,将原始负荷按照素数间隔抽样,可以进一步提高预测准确率.     

负荷预报的混沌时间序列分析方法

某些非线性确定性系统表现出混沌行为,由这些系统产生的时间序列又表现出随机性,但是,这些混沌时间序列在短期内可有较为精确的预测,可以为其建立确定性的预测模型。为了探讨负荷时间序列中的混沌特性,作首先介绍计算时间序列中的多种混沌征数的方法,在发现华中电网发电负荷时间序列中的混沌特性的基础上,给出一种基于混沌理论的局部预测算法。该预测方法的优点是,如果时间序列比较长,就可以通过某些参数的调整来控制预测精度。最后以华中电网的发电负荷为例检验了本中的算法,最终的预测模型的预测效果良好。