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.     

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。     

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。     

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.     

改进RBF神经网络在短期负荷预测中的应用

电力系统负荷预测对电力调度部门来说是非常重要的,精确的负荷预测是经济、可靠和安全的电力系统运行和规划的依据,直接关系到电力系统供电计划的制定和电力系统短期运行方式的安排。该文提出了一种改进的基于径向基函数（Radial Basis Function,RBF）神经网络的短期负荷预测的方法,经GA优化的SVM多核径向基函数去提取有用数据,提高了短期负荷预测精度,该文以吉林某地区春季负荷为输入,仿真结果表明算法的可行性。     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

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。     

灰色模型GM(1,1)在短期电力负荷预测中的应用

讨论了灰色模型GM（1，1）及其改进模型在短期电力负荷预测中的应用，提出了适合电网普通日及特殊日电力负荷预测的数据处理方法，提高了预测的精度。     

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.      

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型，该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测．首先使用多孔算法对短期负荷序列进行小波分解，得到指定尺度下的近似系数和相关尺度下的小波系数，然后利用LS-SVM对预测点的系数进行多尺度组合预测，通过小波重构可以求得相应的预测值．结合某地区短期负荷需求数据进行了仿真试验，研究了预测点与历史记录数据的相关关系．预测结果表明，使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度，同时LS-SVM的引入大大提高了模型的可计算性．     

基于RS-SVM在电力短期负荷预测中的应用

提出了一种基于支持向量机算法和粗糙集理论结合的短期电力负荷预测方法。首先利用粗糙集理论对电力负荷决策系统进行约简,消除样本无用信息和冗余,然后在此基础上设计支持向量机多分类器,进行短期预测分类。这样,可以有效减小SVM训练的数据,加快多分类器的处理速度。实验结果显示它能够有效地提高负荷预测精度,缩短了预测时间。     

特征空间闭操作驱动的短期电力负荷预测

为了获得更高的短期负荷预测精度,有必要充分考虑负荷变化趋势与区域整体用电行为模式之间的关联,提出一种特征空间闭操作驱动的短期电力负荷预测方法。在综合模型的基础上,首先利用特征提取模型将历史用电负荷分解成多个分量作为刻画区域用电行为的特征;然后使用特征选择模型对用电行为特征进行选择,减少冗余或无效特征的干扰,优化预测模型;最后将选择的特征子集作为预测模型的输入特征从而进一步估计出各时段负荷的分布。结果表明采用本方法预测精度更高。     

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

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.     

基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型

短期电力负荷容易受到自然因素及社会因素的影响,这使得负荷预测比较困难.为了提高短期负荷的预测精度,提出了基于相似日搜索的改进局部均值分解(ILMD)和回声状态网络(ESN)相结合的短期电力负荷预测模型.首先用模糊聚类分析将与预测日最相似的多个日期筛选出来.然后把这些相似日的整点负荷数据按照时间先后排成一组数据序列,用改进的LMD进行分解,对分解出的各个分量分别建立一个ESN网络,对每一个网络分别训练并进行预测.最后把每个网络的预测结果累加起来就是最终的预测值.实验证明此方法能有效提高预测精度.     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。