基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。

基于集成模型的超短时负荷预测方法

精准的短期负荷预测是保证电力系统顺利运行的关键。机器学习算法普及后,为以前难以解决的短期和超短期负荷预测提供了算法支持。鉴于梯度提升决策树(Catboost)、卷积神经网络-长短期记忆网络(CNN-LSTM)、极端随机树(Extratrees)等集成模型处理非线性相关数据效果好,本文将上述3种方法进行组合,构建集成预测模型,使用BP神经网络确定权重系数,通过权重将各种单项预测模型的优点结合在一起,从而起到了更好的预测效果。为了更好地说明本文使用方法的优点,本文采用平均绝对百分比误差(MAPE)和均方根误差、均方误差、拟合优度作为衡量指标,以集成模型与各个单项预测模型作对比,在MAPE标准下,集成模型比Catboost、CNN-LSTM、Extratrees模型分别降低了1.01个百分点、0.94个百分点、1.19个百分点。

短期电力负荷预测模型的比较研究

为了解决提高电力负荷预测精确度这一问题,越来越多的人工智能方法应用于能量功率预测.为此利用湖南省2014年至2017年的电力负荷数据,比较自回归(AR)模型、BP神经网络(BPNN)和指数平滑(ES)模型在预测日度电力负荷和月度电力负荷上的性能,并运用统计学知识来分析三种模型之间的差异.最终根据实验结果得出两个结论:AR模型对日度数据预测的结果优于其他两个模型以及ES模型对月度数据预测的结果优于其他两个模型.

实际负荷变化模式下的静态电压稳定分析

负荷增长模式影响电压稳定裕度的评估。以实际短时-日负荷预测负荷增长模式对电力系统静态电压稳定进行分析。由实际电力系统的历史负荷数据进行模糊聚类形成负荷样本,以改进的BP神经网络模型进行负荷预测,产生负荷的增长模式,以此用连续潮流法对IEEE30系统进行电压稳定分析。并对IEEE30系统在不同时段运行状态进行负荷裕度分析。结果表明,以实际短时负荷预测的负荷增长模式符合电力系统的实际运行,对实时的电力系统调度有现实意义。

RESEARCH ON MUNICIPAL WATER DEMANDS FORECAST

Based on the changing law of municipal water demand,a trigonometric function model for short-term water demand forecast is established using the time-series analysis approach.The method for forecasting water demand during holidays and under unexpected events is also presented.Meanwhile,a computer software is developed.Through actual application,this method performs well and has high accuracy,so it can be applied to the daily operation of a water distribution system and lay a foundation for on-line optimal operation.