电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

神经网络在电力负荷预测中的应用研究

对电力负荷预测相关问题进行研究,结合对电力负荷的精准测量,因为对电力负荷造成影响各因素间具有非线性关系,因素间有冗余信息存在,传统数学模型对于电力负荷的预测准确性较低,为进一步提升电力负荷预测精准度,遂提出一类主成分研究及BP神经网络互相结合电力负荷的预估方法。结合PCA给电力负荷构成影响因素来提取特征,用BP神经网络针对PCA处理所得新变量进行建模,凭借PCA-BP神经网络的模型针对摩的去电力负荷仿真。结果证实,与参比模型比起来,能够有效使各因素间冗余信息消除,减少BP神经网络输入的维数,对网络结构进行简化,明显提升电力负荷的预测精准性,证实电力负荷预测时预测模型可行性。     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(BP)的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

电力负荷需求预测分析

随着电网对电力预测的要求进一步的加大,电力负荷需求的精确分析能力将是电网进行电力运转、实时控制和调度的必要前提。介绍了电力负荷的概念,对影响电力负荷预测的因素进行分析,在此基础上探讨了电力预测分析技术,包括传统预测方法、经典预测技术以及现代的预测分析方法。     

基于BP神经网络的电力系统负荷预测研究

通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于BP神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。     

BP神经网络在电力系统短期负荷预测中的应用

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BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

基于PSO-SVR模型的短期天然气负荷预测

针对天然气负荷影响因素选择困难,冗余因素会影响负荷预测的精度和速度,使用特征选择Relief算法对影响负荷值的因素进行筛选,去掉冗余影响因素,为准确地预测天然气负荷提供一定的数据基础;在进行负荷预测时,单一的支持向量回归(support vector regression, SVR)会陷入重要参数难以选取最优的情况,为了解决这一问题,提出一种基于特征选择上的粒子群算法(particle swarm optimization, PSO)优化SVR重要参数的组合模型PSO-SVR。所提出的算法首先使用特征选择选取影响因素,为负荷预测提供主要的数据支持;然后,设置SVR的3个关键参数的初始值,进行迭代得到最优的关键参数值;最后,将影响因素和负荷值输入PSO-SVR模型进行训练并预测。使用榆济管线的负荷数据进行预测并对比。结果表明：提出的算法比其他单一模型的预测精度高,能为天然气负荷预测的研究提供参考,为天然气公司购气量提供依据。     

基于粒子群算法的短期电力负荷预测

根据电力负荷的主要影响因素,考虑了休息日和气候因素的影响,建立了基于粒子群算法(PSO)的级联网络短期负荷预测模型.通过粒子群算法对级联网络的训练进行优化,提高模型的运算速度.结果表明,该方法预测精度较高,效果较好.     

基于因素影响的电力消费预测研究

电力系统负荷预测是电网规划的基础和前提,究其本质是通过对历史电力消费数据及相关因素的分析和整理去求出负荷变化的趋势,规律,从而籍此外推实现预测。本文深入研究了国内生产总值、人口及电力价格指数等因素对电力消费的影响,从理论上验证了影响电力消费的主要相关因素,建立了因素影响的电力消费预测模型,确定了算法。并以新加坡电力消费及其影响因素的实际数据为背景进行了实证研究。结果表明：这一模糊化的预测系统的性能     

《基于数据挖掘的短期负荷预测研究》

本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析。构架了一种基于CURE聚类算法的电力负荷预测模型,对短期电力负荷数据进行有效的预测。并通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性,不完整性及影响因素复杂性对预测结果的影响,发挥独特优势、实现经济价值。     

基于MIGA-BP神经网络的短期电力负荷预测

准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同"岛屿"进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.     

人工神经网络在电力负荷预测上的分析与探讨

电力负荷的预测是电力系统规划的基础,对配变系统和新发电厂的建立具有重要意义.传统的预测方法是通过数学模型来分析电力负荷与其影响因素之间的关系,但由于实际工作中的不可预见因素较多,因此很难建立一个适用于任何情况的表述式.本文通过对人工神经网络在短期电力负荷预测中应用的分析,对其优缺点进行了探讨.     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

蝙蝠算法优化极限学习机的电力负荷预测模型

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.     

浅谈电力负荷预测技术

本文简述了电力系统负荷预测的概念和目的,介绍了负荷预测技术的分类和特点,综合分析了影响电力负荷预测准确率的重要因素,并比较了较为热门的电力系统负荷预测方法及其优缺点,最后对未来负荷预测技术做出了展望。     

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。     

简析电力负荷预测对发展电力市场的作用

电力负荷预测,是电力市场的重要组成部分,实质是对电力市场需求的预测,它主要是指在考虑系统运行特性、自然条件、社会条件和地区经济状况等重要因素影响的条件下,利用历史负荷值经过一系列的数学计算,在满足一定精度和速度的情况下,决定未来某特定时刻的负荷,负荷预测对电力系统控制、运行和计划都很重要。     

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。     

有关电力负荷的短期预测初探

所谓的电力负荷短期预测指对一年以内用户需求用电量的预测,其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态,其以过去负荷为基础,用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。     

基于动态神经网络NARX模型的电力负荷预测

为了更好地发挥电力系统分时电价的作用,引导消费者的用电习惯,智能管理系统需要对电力负荷进行准确地预测。由于电力负荷具有高度非线性、时变性、不确定性,该文采用动态神经网络NARX对其进行预测,为了提高了预测精度,并用遗传算法对网络的初始权值和阈值进行优化。仿真结果表明,通过遗传算法优化后,可以有效地提高对短期下电力负荷的预测精度。