基于相似日的神经网络短期负荷预测方法

对于受不确定因素影响的短期电力负荷,提出了一种基于相似日的神经网络预测方法。设计了一个规范化的相关因素映射数据表,应用聚类分析方法描述由于相关因素的不同而导致的待预测日与历史日之间的差异程度,选用日特征量相同或相近的历史负荷数据作为神经网络的输入元素进行预测。用该方法选取相似日可以较多的考虑各种因素,因此,具有较高的预测精度。     

短期电力负荷预测的模糊神经网络方法

针对短期电力负荷的复杂性和不确定性,提出一种应用模糊神经网络的短期电力负荷预测模型. 该模型具有神经网络的强有力学习能力. 由于利用了模糊理论处理非线性问题的能力以及从海量数据中抽取相似性的功能,因而弱化了神经网络对样本的依赖性,增强了外推性,可在一定程度上减少学习时间,并充分考虑气温变化对负荷的影响. 实验结果表明,该模型对短期负荷有较好的预测精度,具有实用价值.     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于Kohonen聚类小波包分解和ELM的短期电力负荷预测

提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性,经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日;利用双正交小波对负荷数据进行分解,得到不同的频率分量分别送入ELM网络进行预测;最后将所得的不同频带中的待预测负荷分量组合,即为最终负荷预测值.经仿真实验表明,较传统单一的神经网络算法,该方法在预测精度和运算时间等方面均颇有提升,具有一定的实用性.     

浅谈基于气象因素的电网短期负荷预测系统

电网负荷预测是电网建设的基础,也是电网的建设和布局的依据,电网负荷预测结果的准确与否关系到电力投资的效益。短期负荷预测的时间较短,周期为一到五年,主要是为配电网规划服务的。本文介绍了气象因素对电网负荷预测的影响,阐述了基于气象因素的电网短期负荷预测系统功能的实现。     

基于DMD-NARX模型的短期电力负荷预测方法

提出了一种基于DMD-NARX模型的短期电力负荷预测方法,深入地探索了负荷变化趋势和历史数据之间的内在关联,同时在短期预测的精度上有所提高。首先通过自相关函数(Autocorrelation function, ACF)并结合短期负荷波动的时间规律特性,在已有历史相关数据的基础上推导出相应日期的输入特征集合;然后将输入特征集合归一化后通过Hankel矩阵完成由单变量输入特征序列向多维数据矩阵的转换,以动态模态分解(Dynamic mode decomposition, DMD)为手段完成对上一步所得多维数据矩阵的动态模态估计和特征分解,同时对电力负荷底层的多尺度动态情况有了更加深入的掌握;最后使用基于外部输入的非线性自回归(Nonlinear autoregressive with external inputs, NARX)神经网络模型,同时以上一步取得的动态模态估值作为计算相应预测日期内各时段负荷分布的基础,并推导出最终预测结果。最终的测试数据证明,此方法较好地改善了模型的预测精度。     

一种对某地区电网短期负荷预测方法

短期负荷预测对电网运行意义重大,负荷预测的精确与否,对电力网络的控制、运行和计划有较大的影响。本文基于人工神经网络理论,通过建立网络模型,并编写相关程序,预测了未来一天24小时负荷值,并取得了较为理想的预测效果。     

函数联接神经网络在电力系统短期在线负荷预报中的应用

提出了２个新的用于帝时在线短期负荷预报的函数联接神经网络（ＦＬＮ）模型,２个模型都把负荷与气象参数结合起来的构成非线性ＡＲＭＡ过程,并应用ＦＬＮ的函数逼近能力获得了２个模型的参数,测试与在线操作表明２个模型的预测效果是令人满意的,２４ｈ向前负荷预报的平均绝绎百分误差ＭＡＰＥ）对ＨＥＬＮ来说几乎都在３％以下,而ＤＦＬＮ来说几乎都在５％以下。     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷，如训练速度慢，易收敛于局部极小点及全局搜索能力弱等，利用遗传算法能够进行全局最优化搜索这一特点，提出了一种新的用于BP网络训练的混合算法，即遗传算法与改进的BP算法相结合的混合训练方法，将所提出的混合训练方法应用于神经网络式电力负荷预测中，结果表明：所提出的算法与单一的BP算法相比，不仅可避免陷入局部极小点，而且提高了网络的训练速度和负荷预测精度。     

样本量变化对上证指数预测精度的影响——基于MATLAB的BP神经网络模型的预测分析

选取具有不同变化特征的两个时段的上证指数每日收盘价为研究对象,使用基于MATLAB的BP神经网络模型,分别预测最后10个交易日的每日收盘指数,并对预测精度进行对比。结果表明,在同一个BP神经网络中,增加输入样本个数确实有助于提高短期预测的精度,但样本区间的选择是关键,时段内的样本应具有大体相同的变化趋势。当样本量变化时,调整网络模型结构也有助于提高短期预测的精度。对于深受政策影响的中国股市而言,将人工神经网络用于股市的短期预测更有意义。     

基于小波变换的模糊神经网络短期负荷预测方法

为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.     

电力负荷预测的模糊时序模型

提出一种负荷预测的新方法，以负荷历史数据为依据建立模糊时序模型，考虑季节性演变和季节性变动因子，即可作年负荷和逐月负荷预测，引入标准拟合度和模糊度两个互不相容的参数分析负荷的增长趋势。这种带有可能范围的模糊时序模型不仅可以成功地预测负荷，且可以给出预测值的准确程序。     

城市电网规划与负荷预测方法探讨

随着城市建设的迅猛发展,电力设施的建设日新月异。在城市建设中非常重要的一项工作就是城市电网的规划。对城市电网现状进行了分析,阐述了电网规划的作用,对城市电网规划的关键技术进行了深入的探讨。电网规划的一项重要内容是负荷的预测,因此,对城市电网负荷预测方法进行了探讨。     

基于主成分分析法的遗传神经网络模型对电力系统的短期负荷预测

针对BP神经网络的两个主要缺点,网络训练速度慢,对初始权值阈值敏感,容易陷入局部极小点,本文利用多元统计分析的主成分分析方法(Principal components analysis,PCA),在不损失原始负荷数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时将遗传算法(GA)与BP神经网络...     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。     

负荷预测的加权型非线性数学模型

文中提出并建立一种实用准确、灵活简便的加权型非线性数学模型，以应用于电力规划的负荷预测，并编写了建模和预测计算程序。     

ARIMA模型在广西短期电力负荷预测中的应用

阐述了疏系数ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型的建立方法，提出了适用于广西区普通日电力负荷预测的数据预处理方法，利用建立的动态ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型顺利完成了对广西区普通日电力负荷（每日２４个点，正点采集）的预测，全年日预测精确度均在到９５％以上。     

GM（1,1）改进模型在广西短期电力负荷预测中的应用

采用ＧＭ（１，１）改进模型与ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型对广西自治区电网特殊日电力负荷进行组合预测，阐述了ＧＭ（１，１）改进模型的建立方法，提出了适用于广西纂驱电网特殊日电力负荷预测的预测数据处理方法，提高了预测的精确度，全年日镀优于９５％，解决了在日采样点为２４点（正点采样）情况下预测度较低的问题。     

关于母线负荷预测的实用算法

随着科学技术的不断发展,调度自动化系统和母线负荷预测装置也在不断的完善。作为制定电网运行方式的基础与前提,母线负荷在预测上的准确度对电网输送能力的计算运行方式的安排和后续安全校核的分析结果都产生着直接性的影响。     

太阳能采暖和热水组合系统的研究

在分析采暖负荷和生活热水负荷不同特性的基础上,研究了一套新型的太阳能采暖和热水组合系统,阐述了将采暖贮水箱和生活热水贮水箱嵌套组成套筒式贮水箱的诸多优点．对于太阳能采暖和热水组合系统的设计,提出了采暖负荷、生活热水负荷、太阳能集热器面积、集热系统循环泵的流量和扬程等系统主要参数的计算方法．