基于泄露积分型ESN的电力负荷预测系统

电力负荷预测在能源领域扮演着十分重要的角色,良好的电力负荷预测系统可以帮助电力系统运营商提前做好供电策略,从而在保障电力系统运行稳定性的同时降低能耗。研究了基于泄露积分型回声状态网络的电力负荷预测系统的性能,构建了单点预测和短时连续自动预测两种预测模式,并评估了泄露率及权重矩阵谱半径对系统预测误差的影响。在单点预测模式下,系统基于历史数据进行下一时刻(15 min之后)负荷值的预测,预测的归一化均方差最低0.015 8;在短时连续自动预测模式下,系统能够根据历史数据连续预测之后一段时间的负荷值,预测值在6.5 h之内保持与真实值的偏差百分比低于10%。

一种新的具有多个储备池的回声状态网

回声状态网是一种新型的递归神经网络,仅需要训练输出权值,克服了传统递归神经网络存在训练算法过于复杂、收敛速度慢、易于陷入局部最小等问题.为进一步提高回声状态网的建模能力,特别是面临实现多个正弦函数叠加(MSO)等任务时的逼近能力,提出了由泄露积分型神经元构建一种新型的多储备池回声状态网,称为多储备池泄露积分回声状态网(MLESN).MLESN是采用由顶向下和由底向上相结合的思路构建回声状态网.首先采用由顶向下的思路构建回声状态网,假设其储备池由P类相异泄露积分型神经元构成,每一类神经元的群体将构成一个子储备池.然后采用由底向上方式构建回声状态网,生成P个相异中心神经元,分别代表P个子储备池,每个子储备池的神经元状态要与其中心神经元状态相同或相近,P个中心神经元之间通过随机稀疏连接构成了一个新的虚拟子储备池.在储备池状态更新过程中,仍需保持各子储备池内部神经元之间的差异性小,不同子储备池神经元状态之间的差异性大的特点.最后,利用Matlab仿真软件进行实现,并与泄露积分型回声状态网(Leaky-ESN)预测性能进行比较.仿真结果表示,本文提出的方法具有更高的预测精度和预测误差波动性小等特点.

基于PLESN和LESQRN概率预测模型的短期电力负荷预测

针对现有电力负荷预测不能很好反映负荷数据的周期性和趋势性以及残差的波动性特征提出一种考虑周期性建模的泄露积分型回声状态网络点预测模型和泄露积分型回声状态分位数回归网络概率预测模型组合的短期电力负荷预测方法.首先为了捕捉负荷的多重特征定义了周期性和趋势性损失函数辅助优化点预测模型然后为克服残差的波动问题利用概率预测模型对点预测值与真实值的残差进行建模预测最后整合同时刻的点预测值与残差预测区间得到概率预测模型结果.实际算例结果表明与其他模型相比所提模型不仅有效抑制尖端振荡现象而且能够生成可靠的概率密度分布.

基于Leaky-ESN的光伏发电输出功率预测

利用PVSYSTEM系统产生的数据分析了光伏发电系统输出功率的主要影响因素,并且建立了基于泄露积分型回声状态网(Leaky-ESN)对光伏发电系统输出功率的预测模型。Leaky-ESN比起其他的神经网络具有训练方法简单,预测精度高的优点,因此将光伏发电影响因素的历史数据作为输入和训练样本,对模型输出功率进行预测。仿真结果表明,Leaky-ESN具有很高的预测精度。