特殊节假日的短期电力负荷预测新方法

针对电力系统短期负荷预测中特殊节假日负荷预测的特殊性，提出一种基于模糊逻辑的预测方法，该方法合理运用了模糊逻辑对不确定问题的推理能力，克服了特殊节假日由于负荷特性的不同以及历史数据的缺乏所导致的预测困难，仿真结果验证了该方法的可行性。     

基于径向基函数和模糊逻辑的短期电力负荷预测

综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,提出了将径向基(RBF)网络和模糊逻辑相结合的预测方法。利用具有非线性逼进能力的RBF神经网络预测出预测日的最大负荷值和最小负荷值,并用模糊逻辑预测出预测日的负荷系数,进而得到预测日的负荷值。实际算例表明:该方法同BP网络相比,具有较高的预测精度,证明了该方法的有效性。     

RBF网络在节假日短期负荷预测中的应用

节假日的负荷预测一直是电力系统短期负荷预测中的难点。该文采用了T－S型模糊RBF网络,提出了一种新的推理模型。该网络采用次胜者受罚的竞争学习规则决定模糊隶属函数中心,并采用梯度下降和交叉验证方法对输出权值进行学习。实验应用表明,该方法具有快速、准确性较好的特点。文中还给出了比较结果。     

中长期电力负荷的模糊回归预测

针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性，提出了一种新的负荷预测方法－模糊回归预测。该方法通过建立具有模糊回归参数的回归模型，可以直接由模糊观测数据预测出未来负荷值。文中通过实际算例验证了所提方法的可行性。     

中长期电力负荷预测

对电力负荷的预测的传统方法主要采用回归模型、曲线模型等，因不能充分利用历史数据，其准确性较差。利用人工智能技术，将BP神经网络及遗传算法应用于中长期期电力负荷预测，能更好的利用历史数据，如果再对有节假日的特殊月季电力负荷数据进行合理有效的处理，就能大大提高预测的精度。     

一种应用时间序列技术的短期电力负荷预测模型

提出一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法 .它包括一个具有非线性特性的传递函数模型 ,可以考虑气温等外界因素对负荷的非线性影响 ,能使预测及时跟上负荷变化的趋势 ,适用于由于天气等因素变化引起负荷突变的预测场合 .为了更好地处理影响电力系统负荷的不确定性因素 ,便于利用预报人员的丰富知识和经验 ,此文采用了具有较强结构性知识表达能力的模糊逻辑技术与时间序列相结合的方法进行负荷预测 .测试结果表明了该方法的有效性     

模糊理论在电力负荷预测中的应用

提出了一种预测电力系统负荷的新方法。该法首先根据模糊聚类分析的方法对电力负荷及其相关环境因素的历史样本进行归纳分类，然后采用合适的模糊数及模糊集刻画出各类样本中负荷变化的模式及环境因素的特征，最后，由未来环境因素状态判定未来负荷变化属于哪种模式，从而预测出电力负荷的未来值。文中以我国某省中期负荷预测为例，说明了所提方法的有效性。     

城市供水节假日负荷预测模型的研究

城市供水水量的预测是城市供水系统优化调度的前提和基础,城市供水节假日的负荷变化与平时显著不同,若仍按正常供水日预测模型进行预测,会产生很大的误差.因此,针对城市供水节假日负荷变化的特点,利用节假日的负荷预测模型中节假日期间负荷变动模式高度相关以及节假日负荷平均值高度相关的特点,建立城市供水节假日负荷预测模型.     

基于区间二型模糊逻辑的短期电力负荷预测

针对电力负荷的波动具有强随机性而难以准确预测的问题,引入区间二型模糊逻辑方法以减小预测误差.提出一个区间一型非单值二型模糊逻辑模型,用于一小时电力负荷的时间序列预测,并利用反向传播算法来调节模型输入及规则前、后件的参数.同时,构建一个基于反向传播算法的非单值一型模糊逻辑模型,将其预测结果作为检验性能的基准.仿真结果表明...     

基于自适应模糊神经元网络的电力短期负荷预测

利用模糊神经元网络（ＦＮＮ）进行电力短期负荷预测．给出了模糊神经元网络结构和部分输入变量的模糊化．ＦＮＮ采用ＬＭＳ（Ｌｅａｓｔ－Ｍｅａｎ－Ｓｑｕａｒｅ）算法，并用历史负荷数据进行训练．一经训练，网络就能应用于在线负荷预测．在预测过程中，权值按最近的负荷行为自适应调整．测试结果表明，该方法具有较好的精度和较快的速度．     

空间电力负荷预测小区用地分析的模糊推理新方法

提出了一种在知识不完备情况下，能够同时考虑推理前提重要性权重和观察事实及规则知识等的不确定性和不精确性因素的新的基于模糊逻辑的推理方法，并将其应用于空间电力负荷预测的小区用地分析中，最后通过实例检验了该方法的有效性。     

基于时间序列编码和相关向量机的负荷短期预测

针对电力负荷短期预测精度不高的问题,提出一种基于时间序列编码和相关向量机的电力负荷短期预测方法.通过收集电力负荷实际数据,研究了日最大负荷数据之间的关系、日最大负荷与节假日的关系以及当日与对应星期数的相关性,并建立了相应的电力负荷短期预测模型.该模型采用相似日选择方法,给工作日和节假日赋予不同的权重,从电力负荷时间序列中筛选出与预测日特征相似的数据,对模型进行训练.与BP神经网络和支持向量机相比,该预测方法有更高的预测精度和更好的泛化能力,而且学习速度更快.     

具有自学习功能的电力负荷模糊推理预测

考虑到电力负荷预测问题中存在的不确定性,采用模糊推理预测方法进行负荷预测的研究。该方法利用电力最高负荷和国内生产总值的历史数据建立模糊推理规则,从而进一步建立最高负荷跟国内生产总值之间的模糊蕴涵关系,通过模糊推理得到了负荷预测结果。为了使模型能够象专家一样不断地总结新的经验并调整原有的经验,模型克服了其它模型中知识的凝固性,具有自学习功能。利用某些区的实际数据进行分析计算,得到了满足的结果。     

基于模糊理论的电力负荷预测研究

电力系统负荷预测对电力系统规划和运行极其重要，论述了电力负荷预测的内容和基本过程。将模糊理论应用到电力系统的负荷预报中，基于模糊理论的电力负荷预测可以达到较高的精度，效果良好。     

基于RBF神经网络和专家系统的短期负荷预测方法

深入研究了天气和特殊事件对电力负荷的影响,建立了结合径向基（RBF）神经网络和专家系统来进行短期负荷预测的模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线,然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正,使其在天气突变等情况下也能达到较高的预测精度。利用该模型编制的实用化软件在西北电网的多个电力局投入实际应用,结果表明：该方法用BP神经网络相比,具有较高的预测精度,同时具有较强的实用性。     

基于相关向量机的电力负荷中期预测

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了一种基于相关向量机的中期预测方法.结合EUNITE网络提供的实际数据,研究了日最大负荷前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,并建立了相应的电力负荷中期预测模型.该模型是将与某天相关的n个前期信息作为该天的日最大负荷的输入量,而日最大负荷与节假日、当日(星期数)的关系信息用两个二元值表示.在模型训练前,将输入量的前7个属性值和预测目标值进行归一化处理 采用不同训练样本集的仿真实验结果表明,相关向量机方法比支持向量机方法具有更多的优点,当高斯核函数的宽度值取为2 0时,相关向量机方法具有较为理想的预测效果.     

电力系统负荷预报的模糊理论方法

基于电力负荷预测工作是整个电力系统规划设计和安全运行的基础,将模糊理论应用到电力系统的负荷预报中,建立了电力负荷预测的模糊时间序列模型．提出了确定系统模糊度最小的方法,并将其应用于实际的电力负荷预报工作．结果表明,该模型预测可以达到较高的精度,效果良好．     

支持向量机在短期负荷预测中的应用

采用一种有效的负荷聚类分析处理技术,把FCM模糊聚类算法和支持向量机的短期负荷预测相结合。该方法考虑到负荷变化的周期性特点,应用模糊聚类分析的基本原理,对原始样本进行模糊聚类分析,选取与预测样本特征相似的样本作为训练样本,建造负荷预测的支持向量机模型。实例分析证明,该方法能够有效地提高负荷预测的精度,缩短了预测时间。     

一种基于模糊逻辑和神经网络的电力负荷预测方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,并开发了实用化的负荷在线预测软件,该软件是基于Windows的应用程序,具有开放式的结构和友好的人机接口,可用于每小时或每15min的负荷预测,测试结果表明,该方法具有良好的预测精度。     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.