电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测,对利用Lyapunov指数算法进行负荷预测作了介绍,包括用混沌理论实现相空间的重构,以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程．实例预测结果,证明了算法的有效性,揭示了采用混沌理论进行短期负荷预测的优越性。     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

基于支持向量机免疫集成预测的电信网络性能监控

为实现持续有效的电信网络性能监控,提出一种改进的支持向量机预测基线法.利用人工免疫网络优化支持向量机参数、核函数参数、嵌入维数和样本规模等回归分析的自由参数,提出支持向量机免疫集成预测算法.根据电信网络性能的周期性特点构建同点时间序列模型,以预测的置信区间为基线对电信网络性能进行监控,通过对某软交换服务器的CPU负荷进行实验分析.研究结果表明:与经验自由参数相比,支持向量机免疫集成预测算法能取得更加精确的回归模式,其误差平方和减少55.4％,同点时间序列模型能有效克服连续时间序列中存在的异常输入敏感问题,准确发现多个连续的异常点.     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

深度信念网络在水火电力系统一次调频能力预测中的应用

为了准确地预测电力系统一次调频能力,提出了一种采用深度信念网络的水火电力系统一次调频能力预测方法。以新英格兰39节点系统和某电力公司水火电力系统2016—2019年历史数据作为仿真算例,将系统频率、有功负荷、功率缺额、扰动类型、负荷水平、发电机组惯性时间常数、备用容量与总备用容量作为网络的输入特征值,为网络参数训练提供数据支撑;使用无监督预训练与有监督参数微调相结合来训练网络参数,构建深度信念网络,输出系统一次调频的出力调节曲线,预测水火电力系统一次调频能力。与传统的网络模型进行了对比,结果表明:在新英格兰39节点系统中,最大功率补偿量平均相对误差和均方根误差分别为1.49%和4.04 MW;在电力公司水火电力系统中,最大功率补偿量平均误差和均方根误差分别为1.18%和18.3 MW,均小于循环神经网络的平均误差1.41%和均方根误差21.6MW。所提深度信念网络的逐层训练解决了传统网络预测方法的参数优化问题,能够避免陷入局部最优和训练周期过长,应可在突发性故障时为调度中心后续制定防护控制故障策略提供信息支撑。     

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.     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。     

基于GA-BP的输电线路负荷预测研究

输电线路负荷预测的核心任务是根据以前负荷数据的变化规律推断出未来的发展趋势.输电线路负荷预测对于节约用电、发电机组的维护与保养、实行电网经济调度、保障生产和生活用电的稳定都具有重要的意义,是电力系统调度、用电和计划部门的重要工作.文中提出一种基于GA-BP的输电线路负荷预测研究方法,选取了日最高和日最低环境温度作为模型...     

含风电微电网负荷预测建模及其仿真

风具有随机间歇性特性,在并网条件下参与电网负荷预测,其风速和风向的间歇性会对电网产生很大冲击,严重影响电力系统的稳定性.结合微电网的特点和风电运行特性,搭建微电网的基本负荷模型和风电模型,并采用MATLAB/Simulink建立负荷预测仿真模型.仿真结果表明,含风电微电网不仅能够抵御消化风电并网的影响,还能够有效降低电网的负荷曲线的峰谷差.含风电微电网参与电网的负荷预测能够有效地提高电力系统的供电可靠性.