一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。

基于台区10 kV配线负荷的组合预测方法及应用

线路重过载问题不仅影响供电设备的使用寿命,而且极易引发一系列的安全事故。为实现10 kV线路重过载问题有效预警的目标,从用电信息采集台区入手,搭建基于遗传神经网络和自适应权重的10 kV配线负荷组合预测模型,进而结合线变关系,实现配线负荷预测,提前一天掌握各10 kV配线负荷情况,针对存在重过载风险的配线线路及时采取调整用电方案或负荷转供等手段,可有效缓解线路重过载压力,确保配电网安全、稳定运行。实验表明,所提模型具有较高的预测精度和应用价值。

基于负荷组合预测的配电网网架动态变化识别方法

为避免配电网网架出现明显的动态变化行为,从而实现对电量指标的准确识别,提出基于负荷组合预测的配电网网架动态变化识别方法。利用逆变器控制结构,分析网架变化行为的表现能力,再联合已知的动态电量匹配系数,完成对配电网网架的动态变化特性研究。在此基础上,选取关键电量负荷指标,通过建立等权组合条件的方式,得到符合应用标准的电量预测结果,实现基于负荷组合预测的配电网网架动态变化识别方法的设计与应用。对比实验结果表明,与改进卷积神经网络的评估方法相比,在负荷组合预测标准的作用下,配电网网架的动态变化行为能力得到了有效抑制,符合准确识别电量指标的实际应用需求。

灰色Verhulst与等维新息组合模型在中长期负荷预测中的研究

本文针对中长期电力负荷预测使用的历史数据较少且影响因素较多的特点,提出了一种线性灰色组合模型。该模型将灰色Verhulst模型与等维新息灰色理论线性组合,充分发挥了灰色Verhulst模型所需数据少、不受特定负荷数据以及等维新息灰色理论影响,保持数据原有维数、保证最优信息量和动态预测的优势。算例结果表明,该预测模型精度较高,具有实用性。

电力负荷多属性半结构性模糊优选组合预测

在电力规划决策支持系统中,各种负荷预测方法计算中长期电力负荷预测所获得的结果相差较大,为科学准确地确定和推荐预测结果,需要采用相应的分析和决策方法。其决策分析的结构中总目标为获得满意预测推荐解；属性层中既有定量目标,又有定性准则；预测层则以决策支持系统中所有的预测方法和结果为基础。按照此结构采用多属性半结构性模糊优选方法,分别精确计算定量目标特征值矩阵,量化定性准则模糊比较判断矩阵,并计算具有统一标准的相对优属度矩阵,进而将模糊优选方法改进地应用于负荷预测的评价、筛选和组合。实例表明：该方法充分考虑了预测及其决策的相关因素,可用于规划及预测决策支持系统,具有准确、量化、科学和实用性。

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。

基于有效度遴选和纵横交叉算法的负荷组合预测

针对单一模型预测精度不高的问题,提出了基于有效度遴选和纵横交叉算法的组合负荷预测,新方法有效解决了选择单一模型的随机性和权重难以确定的问题。新方法根据预测有效度筛选组合预测单项模型,然后利用组合模型对小波包分解所得各个负荷子序列进行预测,并采用纵横交叉算法求取各单一模型的权值,最后叠加各子序列预测值得到完整预测结果。实例分析中,以广东省某电网实测负荷数据为例,研究结果表明:基于有效度遴选和纵横交叉算法的组合预测方法可操作性强、通用性好,并明显优于各单项预测模型、等权重组合模型和方差倒数组合模型的预测精度。

基于环境特性网的负荷组合预测

在分析煤矿井下电力负荷特性的基础上选取单项预测模型,提出一种基于组合系数诱导IOWA算子的组合预测方法。该方法应用Dempster合成法则筛选精度较优的单项模型预测值替代历史数据,克服实际预测期数据未知的缺陷;基于发展相关性指标和精度指标构造递阶层次结构,运用熵权法求取两项模型评价指标的组合权重,求出组合系数;在预测过程中引入等维信息概念,使预测结果能够更合理地反映负荷发展规律。预测结果表明,基于组合系数诱导IOWA算子的模型适用于预测井下负荷,并能提高预测精度。

基于计算机智能的深度信念网络的组合电力负荷预测方法（英文）

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力。利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度。

环境特性电网负荷组合预测

本文在分析煤矿井下电力负荷特性的基础上选取适用的单项预测模型，然后根据综合预测有效度和模型冗余校验对单项预测模型进行筛选。提出一种基于改进IOWHA算子的组合预测方法对井下电力负荷进行预测，即应用Dempster合成法则筛选精度较优的单项模型预测值替代历史数据，克服实际预测期数据未知的缺陷；在预测过程中引入等维信息概念，使预测结果能够更合理地反映负荷发展规律。预测结果表明，本文提出的预测方法适用于预测井下电力负荷，并能有效提高预测精度。

中长期电力组合预测模型的理论研究

传统中长期电力负荷组合预测方法中权系数依赖预测方法,预测模型不能很好地反映负荷发展变化规律,对此,提出了基于诱导有序几何加权平均算子(induced ordered weighted geometry averaging operator,IOWGA)和加权马尔可夫链的新型组合预测模型。该模型根据每个单项预测方法在各年份上预测精度的高低按顺序对其赋权,摆脱了权重对各预测方法的依赖,实现了组合预测模型中权系数与拟合精度在任一时点上的相关性。通过加权马尔可夫链定性地推测出预测年份上各单项预测方法的预测精度状态,确定其在预测年份的权系数进而预测。算例分析表明,该组合预测模型能够较好地模拟负荷发展规律,提高预测精度,具有较高的实用价值。