灰色负荷预测的参数修正法

本文提出灰色预测模型GM（1,1）的α参数作正方法,实验表明本方法应用于电力系统负荷预测有较高的精度。     

证据理论在中期负荷预测中的应用

负荷预测中遇到的一个比较大的问题是影响负荷的因素很多，而且其中有很多不确定的因素。为此，本文提出了利用证据理论进行负荷预测的方法。本文中将影响负荷的因素分为三类：一类是负荷本身的历史数据；二类是可定量的相关因素；三类是难以定量的不确定因素。本文中就仅考虑一、二类因素和同时考虑三类因素两种情况，给出了利用证据理论进行负荷预测的推理网络和实现方法。算例表明。本文提出的方法预测精度较高，是一种将经验同数学模型有机结合的理想方法。     

基于分形的电力系统负荷预测

本文提出了一个基于分形的电力系统负荷预测新方法,它根据分形拼贴定理求取一个与负荷历史记录相近的吸引子的迭代函数系统（ＩＦＳ）以建立预测模型实现对未来电力负荷的预测,实例计算表明,该方法精度高,速度快,不存在收敛问题,且数据收集简便,因此有很好的实用价值。     

光伏并网VSI鲁棒预测控制方法及稳定性分析

在光伏微电网控制系统中,延时和滤波电感量变化会影响系统响应速度、稳定性及并网电流畸变率。对此,提出一种功率前馈的鲁棒预测无差拍并网控制方法。通过引入功率前馈控制加快系统的响应速度。鲁棒预测无差拍控制方法被提出用于并网电流控制,以增强系统的鲁棒性,降低因控制延时和电感量偏差对并网电流造成的畸变。分析了带延迟环节的z域无差拍控制模型,并讨论了延时和电感量取值对系统稳定性的影响。给出了鲁棒预测无差拍控制的设计方法,并根据z域内的传递函数对其进行了稳定性分析,确定了控制参数的选取范围。仿真与实验结果证明了所提控制方法的有效性。     

分时段短期电价预测

分时段电价序列比顺序电价序列的变化特征更单一，有利于电价的分析建模，从而提高预测精度，因此采用各时段电价分别预测的分时段预测方法。该文将相关系数作为选取电价影响因素的标准，考虑了历史电价、负荷、负荷率等影响电价的因素。以小波分析和神经网络作为工具，对不同输入因素和不同预测方法下的电价预测精度进行了研究，并重点比较了基于分时段电价序列的预测方法和基于顺序电价序列的预测方法。算例采用美国新英格兰电力市场历史数据，对其2002年第4季度的电价进行了连续预测。与基于顺序电价序列的预测方法相比，分时段短期电价预测方法能够使平均相对百分比误差下降约3个百分点。     

基于粗糙集数据挖掘的配电网小区空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测方法,采用粗糙集(RS)数据挖掘方法对可能影响小区用地决策的相关属性进行约简,去除冗余属性,克服了以往方法受人为因素影响较大的弱点,得出决定小区用地类型的决策规则,从而得到每个小区适于发展各类负荷的程度,再运用全局最优的土地分配算法来计算各小区内各类负荷的增长,克服了仿真法不能得到整个土地最优分配方案决策的弱点.最后用实例说明了该方法的有效性.     

风电功率预测准确性分析

风电并网容量迅猛增加,风电与系统之间的联系越来越密切,必须考虑风能的波动性和间歇性引起风电出力的变化给电力系统电能质量、安全稳定运行和经济效益带来的不利影响。因此,进行风电功率预测具有重要的现实意义。首先对风速和风电出力预测的分类和方法进行了探讨,然后简要综述了国内外风功率预测技术的研究现状,最后针对我国现阶段风电功率预测产生误差的原因进行了阐述并提出了建议。     

基于混沌理论和Legendre正交基神经网络的短期负荷预测

考虑到短期负荷所具有的混沌特性和神经网络的非线性映射能力,提出了一种基于混沌理论的Legendre神经网络预测方法。该方法运用混沌理论对短期负荷数据进行向空间重构,并以欧式距离选取最佳训练样本,而后采用以Legendre正交多项式为隐含层神经元激励函数的三层神经网络进行训练,并运用训练好的网络进行预测。训练网络时,为了确定网络的最佳拓扑结构,文中引入了衍生算法来确定隐含层神经元的最佳个数。实例分析表明了该方法的可行性,且能得到较高的预测精度和良好的预测效果。     

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。     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。