短期电力负荷预测的基本模型

负荷预测是根据负荷过去的历史资料，建立恰当的数学模型对未来的负荷进行预测。在进行电力系统的短期负荷预测时，针对负荷变化的特点，既要充分分析，掌握并利用其规律性，叉要兼顾各种因素的影响。本文通过对影响负荷的各种因素的分析和预测模型应满足的要求，提出了短期电力负荷预测的基本模型。     

分析负荷特性构筑的多小水电地区短期负荷预测思路

对于电力系统短期负荷的预测是进行电力调度开展与实施的一项重要内容,有利于实现电力设备的合理调度与维护安排,对于减少电力系统的发电运行成本以及实现电网安全稳定工作运行的保障等,都有具有积极作用和影响,同时,对于电力系统短期负荷的预测管理,也是实现电力企业管理衡量的重要标志。本文将在对于电力系统短期负荷预测的方法意义分析基础上,通过进行小水电地区短期负荷预测方法的分析,结合多小水电地区的负荷特性,通过建立基于负荷特性的多小水电地区短期预测分析模型,对其短期负荷的预测分析思路进行分析研究,以促进电力系统的管理提升与安全稳定运行保障,推动电力事业的建设和发展。     

短期电力负荷的混沌预测及其神经网络的实现

短期电力负荷预测是工程技术人员安排电力调度的重要依据．研究了利用混沌理论与RBF神经网络相结合实现短期电力负荷预测的方法．并用该方法预测湖南某地区的月负荷,预测的数据准确率较好,为短期电力负荷预测提供了一条新的途径．     

基于相似日和灰色理论的短期电力负荷预测研究

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。     

电力系统短期负荷预测精度研究

电力系统短期负荷预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量,特别是随着我国电力市场的建立和不断完善,短期负荷预测在电力系统调度运营部门中的作用越来越重要。本文首先对影响电力系统负荷预测精度的因素进行了深入的分析,然后提出了提高负荷预测精度的几项措施,并对未来需要进行的工作进行了展望。     

基于RNN-RBM模型的配网馈线长期负荷预测方法

本文提出了一种基于循环神经网络(recurrent neural network,RNN)和受限玻尔兹曼机(restricted boltzmann machine,RBM)混合模型的配网馈线长期负荷预测方法.所提方法首先提炼混合模式(自上而下和自下而上)下的馈线负荷特征,然后利用RN N网络处理具有时序特点的配网馈线...     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

电力负荷短期预测与调度自动化系统的集成

基于广州电网负荷短期预测系统的开发，讨论了在调度自动化系统中实现短期负荷预测功能的集成要点，同时就软件层次、数据交换、进程管理以及界在处理等技术给出分析结论。     

配电网短期负荷小波组合预测研究

分析不同规模的配电网负荷,验证了配电网短期负荷变化复杂的特征,采用单一预测方法进行配电网短期负荷的预测仿真.考虑到配电网短期负荷变化规律性不明显的特点,利用db4小波函数对配电网的历史负荷数据序列进行最大尺度分解重构,将历史数据划分成不同频段的分量,根据不同频段负荷分量特点分别采用GM(1,1)模型、时间序列法及二次指数平滑法对低、中、高频分量进行预测,再将各分量预测值叠加得到总的预测结果.结果表明,该组合预测法可有效提高预测精度,获得较为满意的预测结果.     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

一种基于RBF自适应神经模糊推理的短期电力负荷预测方法

根据东莞电网的历史负荷数据,分析该地区电力负荷的特征,综合分析天气、温度、日期等因素对电力负荷预测的影响.针对负荷具有一定的客观规律,但又具有很大的随机性和不确定性,提出了一种新型基于径向基函数的自适应神经模糊推理的方法进行短期负荷预测.用MATLAB编制电力系统短期负荷预测程序,并绘制预测结果曲线.结果表明基于RBF自适应神经模糊推理的预测精度是令人满意的,验证了本方法的有效性和实用性.     

参数联合求解的短期负荷混沌预测模型

为了提高短期负荷的预测准确性,基于短期负荷的混沌变化特性,提出一种模型参数联合求解的短期负荷混沌预测模型.首先将相空间重构的参数和最小二乘支持向量机的参数联合编码成粒子的位置向量,使每一个粒子根据自身飞行经验和种群飞行经验不断改变前进方向,从而找到最优位置向量,即相空间重构和最小二乘支持向量机的参数.然后采用最优参数建立短期负荷预测模型,并采用短期负荷数据进行性能分析.结果表明,预测模型可以发现短期负荷数据隐含的变化规律,获得了满意的短期负荷预测结果.     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

云计算环境下智能电网短期负荷预测方法研究

智能电网短期负荷波动性大,传统预测方法无法解决波动性问题,预测结果不准确。为此,提出一种新的云计算环境下智能电网短期负荷预测方法。介绍了支持向量机理论,将一个含有所有某类样本在内的、由支持向量支撑的球面看作超球面,分析了分位数回归过程,将支持向量机和分位数结合在一起,构建支持向量-分位数回归预测模型。得到短期负荷概率密度函数,从而实现智能电网短期负荷预测。在进行实验时,完成对功率采样值和智能电网负荷属性的归一化处理,将其转换成[0,1]区间内的数据。实验结果表明,所提方法预测精度和效率高、成本低。     

机器学习算法在短期电力负荷预测中的应用

为了提高短期电力负荷预测准确性,提出一种蚁群算法(ACO)优化支持向量机(SVM)的短期电力负荷预测模型(ACO-SVM)。首先采用混沌理论对短期电力负荷样本进行重构,然后将SVM参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到SVM最优参数,最后建立短期电力负荷的最优预测模型,并采用实际短期电力负荷数据进行有效性验证。结果表明,ACO-SVM能够准确刻画短期电力负荷变化特性,提高了短期电力负荷的预测准确性。     

电力负荷预测技术及其发展趋势

介绍了电力系统负荷预测方法的几种分类方法、神经网络负荷预测方法及其在短期负荷预测中的研究情况,也指出了负荷预测技术的发展趋势。     

基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用

高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.     

电力系统短期负荷预测影响因素分析

电力系统负荷预测已成为实现电力系统管理现代化的重要研究内容之一,尤其是短期负荷预测,在电力系统的生产和运行中发挥着重要作用。本文分析了影响负荷预测的主要因素,以安顺市电力负荷数据为例,得出负荷预测结果与历史负荷水平、当前运行状况、气象因素以及日期类型等密切相关。