基于SSA-LSTM网络的电力系统短期负荷预测

为提升电力系统短期负荷预测精度,提出一种SSA-LSTM短期负荷预测模型。针对在短期负荷预测中使用LSTM(Long Short Term Memory,长短期记忆)网络时参数设置人为因素影响大、随机性强而导致的负荷预测精度不高、泛化性不强问题,运用SSA(Sparrow search algorithm,麻雀搜索算法)对LSTM网络的迭代次数、隐藏层层数、神经元个数进行寻优,并使用河南省某电网负荷数据验证所提模型有效性。最终实验结果表明,所提组合模型相比于单一LSTM的网络模型预测效果更好。

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Ｌｙａ－ｐｕｎｏｖ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。这种方法不利用气候和气温等数据，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。

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法:通过小波变换,将各序列分量分别投影到不同的尺度上,对不同的子负荷序列进行数据处理,并分别采用相匹配的模型进行预测,最后通过小波重构,得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。

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。

基于支持向量机的电力系统短期负荷预测

对将径向基函数(Radial Base Function,RBF)作为核函数的支持向量机(Support Vector Machine,SVM)方法应用于短期负荷预测进行了研究。作者使用基于 SVM 的回归估计算法建立了回归估计函数表达式,给出了SVM 网络结构;采用江苏省某市的实际负荷数据,按照不同的负荷日属性和历史负荷数据进行样本选择,使用 LIBSVM 算法和适当的核函数进行了负荷预测,并将该预测结果同由时间序列及 BP 神经网络方法得到的预测结果进行了比较,结果表明,所提出的预测方法有较高的精度。

基于模糊聚类分析与BP网络的电力系统短期负荷预测

提出了一种基于模糊聚类分析和BP网络的短期负荷预测方法。考虑了温度、相对湿度以及日类型等影响负荷的因素,通过模糊聚类分析将负荷历史数据分成若干类,找出同预测日相符的预测类别,然后建立相应的BP网络模型,用附加动量和变学习速率的方法预测每小时的负荷。对于西安地区实际负荷的预测结果的分析表明该方法有较高的预测精度,取得了令人满意的结果。

基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。

基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测

提出了一种联合使用硬C均值(hard C-mean,HCM) 聚类算法和支持向量机(support vector machine,SVM)的电力系统短期负荷预测方法。与目前采用单一SVM的负荷预测方法相比,考虑了电力负荷变化的周期性特征,依据输入样本的相似度选取训练样本,即通过对学习样本的聚类选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。实际应用证明了该方法的有效性,该方法不仅提高了负荷预测精度,还缩短了预测执行时间。

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming,GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。

基于卡尔曼滤波的电力系统短期负荷预测

介绍了卡尔曼滤波的算法,给出了一套递推计算公式,将此算法应用于短期负荷预测,并针对负荷预测本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确的预测结果。

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型。通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性。

电力系统短期负荷预测方法综述

简述了短期负荷预测的概念和意义,分析了短期负荷预测的特点和影响预测精度的各种因素,将目前的预测方法分为经典方法、传统方法、智能方法和预测新方法。综合分析了目前各种预测方法的应用原理,详细分析和比较了各个预测方法的优点和不足之处。提出提高短期负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的预测模型,综合预测模型是未来电力负荷预测方法的发展方向。

小波分析方法在电力系统短期负荷预测中的应用

本文将对目前基于小波分析方法的电力系统短期负荷预测的一些理论与存在的问题进行初步的探讨 ;提出使用小波分析对基于不同频段的负荷进行分类 ,然后对分类后的不同频段的负荷使用人工神经元网络进行训练预测的一种改进负荷预测方法 ;并尝试提出小波理论在短期负荷预测方向应用的建议。

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法。运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测。实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性。

基于PCA-SVM的电力系统短期负荷预测

针对基于支持向量机的电力系统短期负荷预测算法中,预测模型的精度和泛化能力易受样本集中输入变量的影响,利用主成分分析方法能有效地消除变量之间共线性的特点,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数。根据East-Slovakia Power Distribution Company提供的电网运行数据进行了预测计算,证明此方法与标准支持向量机算法相比,可以降低样本集的维数,提高负荷预测精度。

小波模糊神经网络在电力系统短期负荷预测中的应用

该文研究了基于小波模糊神经网络的电力系统短期负荷预测新方法。根据小波变换自适应可调时频窗的特点,利用小波分析对负荷样本做序列分解,对高尺度负荷分量采用常规预测方法,其他负荷分量则采用模糊神经网络处理技术,最后通过序列重构,得到完整的负荷预测结果。算例计算表明,新方法具有较高的预测精度和适应能力。

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显示 ,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。

电力系统短期负荷预测的多神经网络Boosting集成模型

提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.

影响电力系统短期负荷预测因素的权重分析方法

将负荷预测问题归为多因素问题,影响负荷预测的各因素的重要程度定量为权重。着重对负荷预测的权重分配算法进行了研究,将模糊聚类技术和粗糙集理论结合,利用客观信息熵对影响负荷的因素进行权重分配。该算法首先将负荷预测的大量相关数据进行模糊聚类,然后应用粗糙集理论中的信息熵客观地从负荷预测的实际数据中确定各因素的权重,并将所得权重应用于基于决策树的负荷预测模型中;与其他方法进行了比较,证明了该方法的有效性。

应用混沌理论的电力系统短期负荷预测

应用混沌方法对电力系统历史负荷时间序列进行数理统计处理，并将这种混沌特性应用于短期负荷预测。不直接考虑气候等随机因素，只要根据过去负荷时间序列及计算所得的Ｌｙａｐｕｎｏｖ指数规律，就可得到较高的预测精度。对东北电网实际负荷时间序列进行预测，取得满意的结果。