神经网络模型在用电负荷预测中的应用

在电力系统规划中,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势,文中引入三层反向传播的神经网络模型（ＢＰ网络模型）对居民用电负荷情况进行了分析,并采用变化学习速率的方法对网络进行训练。     

自下而上的群体居民日负荷预测

为了提高居民日负荷预测精度,基于自下而上的建模思想,提出一种模块化的群体居民用户日负荷预测方法.考虑外界因素和用户自身用电行为对负荷的影响,构建相似日提取模块、聚类分析模块和用户用电行为分析模块以实现单户家庭负荷预测.在此基础上,利用蒙特卡洛抽样方法对家用电器组合、家用电器功率和用户用电时间点这3个随机变量进行抽样模拟,构建用户负荷预测模块,实现群体居民日负荷预测.算例仿真结果表明:采用所提方法的居民日负荷预测平均误差为1.3%,最大误差为5.6%.相较于基于灰色模型预测的平均误差2.7%、最大误差7.5%,和基于神经网络模型预测的平均误差2.3%、最大误差6.9%,所提方法显著提高了群体居民日负荷预测的精度.     

基于HOG和SVM的非侵入式负荷识别

智能电网时代,准确高效的居民用电负荷评估对改善和调节电力网络的传输结构至关重要.对用户用电的电流、有功功率和谐波电流等数据进行数据预处理,基于对偶树复小波变换对数据降噪,建立基于HOG和SVM分类识别模型提取数据特征,并进行负荷识别.非侵入式负荷识别极大地降低数据收集和分析成本,对居民使用电器类型和数量的实时监测,为准确估算居民用电载荷提供可靠依据.     

基于神经网络模型的船舶电网短期电力负荷预测

恶劣海况时电力推进船舶的电网负荷波动较大,发电机组会频繁投入或退出电网,准确的电力负荷预测将有助于优化能量管理策略,保障电力系统的安全性,并提升用电效率。人工神经网络拥有很强的学习能力和泛化能力,能够有效的进行短期电力负荷预测。通过对反向传播(BP)、径向基神经网络(RBF)、Elman共3种不同的网络模型进行原理阐述、数据处理、模型建立及参数调整后,再对其在短期电力负荷预测的表现进行比较,RBF神经网络的预测效果及各项评价指标最优,且其模型建立最简便,因此相较于另外两种网络更适合进行短期电力负荷预测。     

融合聚类-卷积-门循环的居民用电短期负荷预测方法

对居民用电进行准确的短期负荷预测是电力部门合理制定每日调度计划的重要依据。提出了一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)聚类算法-卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)的短期电力负荷预测方法。根据智能电表采集的历史负荷数据，该方法首先采用BIRCH聚类算法分析不同用户的用电习惯，将用户聚类为多个用户群；然后构建由负荷数据和时间以及气候信息组成的多特征时间序列数据集，并采用训练集进行CNN-GRU预测模型构建。训练集首先输入到基于一维卷积层设计的CNN网络，以提取不同特征变量之间的非线性关系；之后将数据输入GRU网络，以提取数据在时间维度上的时序特性，最后由全连接层输出短期负荷预测结果。以爱尔兰能源管理委员会提供的公开数据集作为实际算例，以ANN网络、CNN网络及CNN-GRU网络为对比模型，实验结果表明，所提出方法的平均绝对百分比误差达到了2.932 1%,有较高的预测精度和...     

福州市居民用电情况及其与气温关系分析

分析了福州市居民用电情况和负荷曲线的特点,对最高负荷与各气象因素进行相关分析,着重分析了居民日负荷与气温的关系并计算了单位温升效应.分析表明,居民负荷的晚高峰对全网负荷晚高峰有较大的影响;气温对居民负荷的影响较直接和明显,夏季居民最大负荷与气温之间呈三次关系模型;单位温升效应约为3%-4%.     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

淮南市城网居民分时电价实施效果的定量分析

分时电价是有效调节居民用电方式,降低城网峰谷负荷差的重要手段,但是其实施效果一直难以量化。本文从淮南市供电公司用电营销数据库提取城网居民三年的分时电量相关数据,按照年用电总量将用户分为三类,分别建立居民用电模型,尝试对淮南市居民分时电价政策的实施效果进行量化分析。该模型包括月谷电系数,月谷电量增长,月平电量增长,月负荷峰谷差和月电费支出等指标。结果表明,淮南市分时电价政策大大促进了居民用电量的增长,使用分时电价的居民用电量的增长率均大于当年用电量的自然增长率;大部分居民倾向于谷时段用电,填谷效果明显,但是由于峰谷电价差小,各类用户平时段转移电量积极性不高,所以消峰作用基本没有。     

随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时，存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性，提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响，利用Savitzky-Golay滤波器对负荷时序平滑进行处理，将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上，发挥随机配置网络模型的随机增量学习优势，完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证，仿真结果表明，随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势，预测的效果基本与深度神经网络模型接近.     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

基于组合灰色神经网络模型的电力远期价格预测

针对电力远期价格受多种因素影响，变化趋势复杂，难以通过建立准确的数学模型进行预测，提出了采用灰色动态模型对电力远期价格进行预测，并在此基础上构造了组合灰色神经网络预测模型。该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合。研究结果表明，本模型能在小样本、贫信息的条件下对电力远期价格做出比较准确的预测，为电力市场的参与者能更好地利用电力远期合约进行套期保值提供了有效的工具。     

市场环境下峰谷分时电价建模原则研究

该文分析了电力市场中实行峰谷分时电价策略可能造成的电网运营风险及对供电方和用户利益的影响.利用心理学原理提出了建立用户响应曲线的方法,提出了峰谷分时电价理论建模中划分峰谷时段、确定用户反应函数和峰谷电价拉开比、规避电网运营风险等应遵循的原则,引导电力用户主动进行削峰填谷,缓解电网高峰期电力供应紧张的局面,保证电网经济安全地运行.     

安徽省某地区中长期电力负荷预测

以安徽省某地区2007-2014年用电量数据作为训练测试样本,采用灰色预测法、人工神经网络预测法和基于人工神经网络的最小二乘支持向量机（LSSVM）预测法计算其均方误差,结果表明,用基于人工神经网络的LSSVM预测法计算出的均方误差整体上比其他2种预测法要小.选用基于人工神经网络的LSSVM预测法对该地区2015-2017年的用电量进行预测,预测数据与实际数据基本接近.     

发电批发市场和配电零售市场的联合均衡分析

基于配电零售市场开放后的电力用户需求特性为基础,提出了发电批发市场和配电零售市场并存后的联合均衡模型,用于分析零售市场开放对实时现货市场的影响.根据电力负荷特点,按高峰、低谷两种方式模拟零售电价与实时电价的关系,给出了零售市场完全竞争机制和部分管制机制下发电批发市场和配电零售市场并存后的联合均衡结果.算例验证表明,零售市场的开放将有效减少电力总需求,降低电力现货价格,体现电力需求弹性效应.另外,随着配电零售市场的逐步放开,固定配电价格对实时电价的影响越来越小,而电力需求弹性对实时电价的影响则越来越大.     

基于小波神经网络的电价滚动预测模型

探讨了基于小波分析和神经网络的3种短期电价预测模型,比较了提前1步的滚动预测与提前N步的预测方法.采用预测误差概率分布作为预测误差的评价指标,并以美国加州电力市场的实际运行数据为基础,连续预测该市场1个月的电价.结果表明:提出的具有滚动预测概念的模型III具有良好的预测精度,其误差分布还显示出该模型具有较高的预测置信度.     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于粗集理论与神经网络的电力系统负荷预测VoIP系统的QoS

介绍了一种基于粗集理论与神经网络相结合的电力系统负荷预测方法.运用粗集理论方法对不确定、不完整的历史数据进行属性的约简分析,并将约简后的属性作为人工神经网络的输入进行负荷预测;改进基因算法对神经网络权值修正.算例表明该方法可行、有效.