电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

电力系统短期负荷预计——时间序列的分解集合算法

电力系统短期负荷预计——时间序列的分解集合算法高晓萍单渊达阎欣（东南大学电气工程系，南京２１００１８）系统发电出力必须随时紧跟系统负荷的变化，这是对电力系统运行的基本要求．但负荷是随机变化的，特别是在不长的时段里，对负荷进行变化幅度很大时，负荷精确...     

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.     

混沌时间序列的预测及其在电力系统短期负荷预测中的应用

在局域预测法的基础上重点分析了一种基于Lyapunov指数的混沌时间序列预测方法,并将这种方法应用于解决电力系统短期负荷分配问题,得到了较好的仿真预测结果.     

基于聚类时间序列法的电力负荷预测

本文在传统时间序列法的基础上,提出了一种利用聚类方法进行分析的负荷预测方法,利用该方法对某市的电能负荷进行预测,得到了较精确的结果,表明该方法能为电力负荷的预测提供有效的参考。     

基于时间序列法的短期负荷预测采样装置的设计①

设计了基于时间序列法的短期负荷预测采样装置,包括设置于电网中用于从供电端向负载端进行供电输送的电力线路、用于对电力线路负载端的输电电压进行监测的电压监测器、用于对电力线路负载端的输电电流进行监测的电流监测器、用于将电压监测器和电流监测器采集的数据编码成信号的信号编码器、于用将信号编码器生成的信号传输至电网控制中心的信号发射器;还包括用于向信号编码器中输入标准时间信号的网络计时器。以间序列法的短期负荷预测采样装置为基础对某风电场PA发电机组的负荷进行实时预测风电功率,并将此与灰色模型的负荷预测进行比较。从结果可知该装置能够满足时间序列法短期的负荷预测系统的需要,为时间序列法短期的负荷预测提供精准的线路检测参数。     

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。     

基于GRNN的电力系统短期负荷预测

提出了基于广义回归神经网络(GRNN)模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型,以此作为对GRNN进行训练的向量样本集.通过实例表明GRNN应用于电力系统短期负荷预测是可行并且有效的,其预报结果比多层前馈神经网络误差反向传播(BP)负荷预测方法更准确.     

短期负荷概率性预测的混沌时间序列方法

提出了一种基于混沌时间序列的短期负荷概率性预测方法.该方法采用混沌时间序列预测得到确定性预测结果,进而计算局部预测方差,并根据不同置信水平下的历史预测误差样本的双侧分位数估计值,构造概率性预测区间,实现短期负荷的概率性预测.采用北方某电网负荷数据进行了实验,验证了该方法的可行性与有效性.     

基于QPSO-ELM-KF的电力系统短期负荷预测

为保证日常电力系统的正常运行,满足其生产活动安排、电力经济调度以及电网安全分析的要求,必须要进行电力系统短期负荷的预测。为提高预测精度和稳定性,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)与卡尔曼滤波(KF)相结合的电力系统短期负荷预测模型。该模型首先通过ELM预测各时间点的电力负荷值,其中,根据QPSO算法本身的特性以及在参数寻优方面的优势,利用其对ELM网络结构中输入层-隐含层的权值和隐含层的阈值进行寻优;然后,利用KF算法将得到的预测值做进一步的更新和优化,从而得到各时刻的最优估计值,最终以实现对短期电力负荷的精准预测。实验表明,使用QPSO-ELM-KF预测模型进行短期电力负荷预测,预测精度有进一步的提高。     

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．     

用奇异性的短期负荷预测混沌方法优化参数

为优化电力系统短期负荷预测的混沌相空间重构的线性方法中的3个参数，以多元线性回归分析和矩阵计算的奇异性理论为基础，通过数值实验得到了优化的参数．发现首先应该根据取样序列的“平稳性”和“奇异性”，特别是避免“奇异性”来优选延迟时间；其次，根据嵌入窗长为24h来优选嵌入相空间的维数；最后，按照嵌入相空间维数的3～5倍来选择邻近矢量的数目，而不是按照固定距离来选择邻近矢量数目．     

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     

基于模糊回归支持向量机的短期负荷预测

支持向量机(SVM)是一种新颖的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点.模糊数学在不确定性、不精确性及噪声引起的问题上,有其特有的计算分析操作,能有效地分析和处理模糊信息.研究了一种模糊回归支持向量机模型,该模型将两者有机结合,发挥了各自的优点.将其应用到电力系统短期负荷预测,仿真结果表明,所提方法不仅具有与支持向量机方法相同的预测精度,且提供了更多的有用信息.     

基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

基于时间序列算法的电力无功测量

为了对电力系统的无功进行有效的控制,必须对无功进行预测.对无功的预测也就是对系统功率因数的预测.利用时间序列分析方法,建立了3种预测模型,分别是自回归模型、滑动平均模型和混合模型.通过对3种模型的比较,最终选用混合模型的时间序列分析方法对电力系统的功率因数进行预测.经实测检验,混合模型分析方法的误差非常小,表明该方法具有一定的实用价值.     

电力系统短期负荷预报的动态神经网络方法

提出了一种用于电力系统短期负荷预报的动态神经网络模型。这种模型同时兼顾了时序法和相关法的特点，将日期特征量，气象特征量及一天的多个有功负荷水平作为神经网络的输入信息，通过对输入信息动态，灵活地处理，利用有监督的学习算法对神经网络进行训练，再预测下一天相应时间点的多个有功负荷，以提高有功日负荷的精度和方法的适应性，为电力系统经济负荷分配提供可靠的依据。     

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．