基于贝叶斯理论和在线学习支持向量机的短期负荷预测

该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息,包括样本信息和先验知识结合在一起加以利用,不但避免了过拟合问题,而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上,以递增和递减算法可直接得到新的回归函数而无需重新训练,从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。

短期负荷预测相关因素的自适应训练

提高预测精度是短期负荷预测的基本目标。目前已提出了处理相关因素的规范策略和短期负荷预测的综合模型。在此基础上 ,将自适应训练的思想引入到短期负荷预测相关因素处理中 ,提出了相关因素自适应训练的若干概念 ,并分析了自适应训练中的基本问题 ,给出了短期负荷预测过程的抽象化模型 ,提出了两种训练负荷相关因素的算法 :摄动算法和遗传算法 ,最后比较了这两种算法的优缺点。算例分析表明 ,通过自适应训练相关因素 。

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。

优化相空间近邻点与递归神经网络融合的短期负荷预测

根据在相空间重构拓扑近邻点的时间演化原理,提出了优化近邻点(optimal neighbor points, ONP)的短期负荷预测(Short-term load forecasting, STLF)法,它可克服伪近邻点在高嵌入维对局域动力学估计的不利影响,以提高预测精度。在此基础上,又提出ONP与递归性时延神经网络(Time Delay Neural Network, TDNN)模型融合的STLF法, 具有动态性能的TDNN是按优化近邻相点的演化轨迹构造,是属于对预测点跟踪的智能辩识动态行为模型。它能增强模型对系统动力学的联想性和泛化能力,使预测精度提高一倍以上。该文经两类不同负荷系统周、日预测仿真测试,证实所研究的预测模型能有效、稳定地提高预测精度,且有高的适应能力,为基于相空间理论预测法用于实际取得有效的进展。

基于扩展粗糙集的短期电力负荷预测模型

影响短期电力负荷预测的因素众多,如何有效地判断和选择这些相关因素是改善电力负荷预测的关键,通过引入数据挖掘中粗糙集约简算法来解决这一难题。针对常规粗糙集算法计算量大,且不具备容错性和泛化能力,在属性约简过程中设置了分类可信度β,因而对数据具有了一定的容错性和泛化能力,增强了抗噪声能力。经过对实际数据的计算分析,证实了本文提出的方法在一定程度上提高了负荷预测的精度和速度。

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。

基于混合算法的短期负荷预测模糊建模(英文)

结合最小二乘(LS)辨识以及一种基于进化规划(EP)和粒子群优化(PSO)的混合进化算法EPPSO, 针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测(STLF)算法。在第1阶段,应用LS设计模糊基函数网络(FBFN)完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。

基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型,所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性,可表征复杂的动力学行为和具有全局寻优的性能,以PSRT确定ICNN输入维数,训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的,可增强预测模型对混沌动力学的联想和泛化推理能力;文中用遗传算法作为ICNN的学习算法,对两类不同负荷系统日、周预测仿真测试,证实所研究的预测模型能有效、稳定的提高预测精度,且有较高的适应能力,为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。

基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。

基于大客户和地方电厂数据管理预测平台的负荷还原预测方法研究

短期负荷预测对于保证电力系统的可靠和经济运行具有重要意义,随着电网结构的复杂化和精益化管理要求的提高,需求侧和供应侧的管理对负荷预测越来越重要。为此,提出了一种需求侧、供应侧管理与预测技术相结合的办法,通过构建大客户与地方电厂的数据管理平台获得可靠的大客户用电计划,并对全网负荷中剥离出的纯负荷进行外推预测,再将分类预测的结果合并,从而达到提高预测效果的目的。最后以浙江舟山电网为算例验证了所提思路的可行性。

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;训练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性。对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度。

短期负荷预测神经网络方法比较

以某地区购网有功功率的负荷数据为背景,建立了三个BP神经网络负荷预测模型——SDBP、LMBP及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部最小点的缺点,采用具有较快收敛速度及稳定性的L-M优化算法进行预测,使平均相对误差有了很大改善,具有良好的应用前景。而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力,使平均相对误差和每日峰值相对误差降低,但收敛速度过慢(慢于SDBP模型),不适于在实际应用中采用。

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。

短期电力负荷预测的粗糙集方法

针对短期电力负荷预测外部影响因素的非线性特点,为得到精确的预测结果,采用粗糙集方法对电力负荷及其实际影响因素进行分析.建立了由代表自然因素的条件属性和代表负荷的决策属性所构成的短期电力负荷预测指标体系,利用粗糙集分析各个条件属性对决策属性的重要程度,得到约简后的预测指标体系,并根据实际历史数据进行短期电力负荷预测.并将所得预测负荷与BP神经网络算法进行对比,结果表明了粗糙集方法的优越性.

混沌粒子群优化算法在短期负荷预测中的应用

针对短期负荷预测受气象因素影响大、传统参数辨识方法易陷入局部最优导致预测精度不高,采用外源自回归动平均(ARMAX)时间序列模型和混沌惯性权值粒子群优化算法进行模型识别。算例表明,该算法在短期负荷预测中预测精度较高,可供类似工程借鉴。

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型。与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归。采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力。对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度。

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测 ,对利用Lyapunov指数算法进行负荷预测作了介绍 ,包括用混沌理论实现相空间的重构 ,以及通过计算关联维得到最优嵌入维数的方法、计算Lya punov指数的方法和利用Lyapunov指数得到预测负荷数值的过程 ,并给出了算法的简单实现步骤。实例预测结果 ,证明了算法的有效性 。

基于PSO-BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO-BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO-BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差(MAE)小于1%。

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测,对利用Lyapunov指数算法进行负荷预测作了介绍,包括用混沌理论实现相空间的重构,以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程.实例预测结果,证明了算法的有效性,揭示了采用混沌理论进行短期负荷预测的优越性.