改进的容积卡尔曼滤波(CKF)算法在短期负荷预测中的应用

电力系统短期负荷可视为非线性系统的输出,为了准确地预测电力系统短期负荷,引入了容积卡尔曼滤波(CKF)方法,并通过估计和修正模型中的状态转移矩阵,得到改进的自适应CKF算法,以适应非线性系统的时变性.用某地秋季22d的历史负荷数据建模对未来9d负荷进行预测,仿真结果证明改进的CKF算法预测电力系统短期负荷是实用而有效的.     

电力系统短期负荷预测影响因素分析

电力系统负荷预测已成为实现电力系统管理现代化的重要研究内容之一,尤其是短期负荷预测,在电力系统的生产和运行中发挥着重要作用。本文分析了影响负荷预测的主要因素,以安顺市电力负荷数据为例,得出负荷预测结果与历史负荷水平、当前运行状况、气象因素以及日期类型等密切相关。     

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.     

短期负荷预测的样本动态组织方法

针对训练样本与负荷预测模型的构建及预测精度之间的强相关性,在对负荷变化规律深入研究的基础上,提出了样本动态组织理论与方法.根据负荷变化的横向与纵向特征、日期、季节特征和气象特征构建时间分类树和样本映射表,并通过对气象数据的模糊化处理进行样本初选,进而利用自组织网络(SOFM)的改进方法提取负荷水平变化趋势的特征曲线,以实现样本的动态精选.多种模型的预测结果表明,采用的由粗到精逐步细化,多层面、多角度的样本过滤机制,为预测日负荷建模提供了更加优质的历史样本,很好地抑制了不良样本对预测建模可能带来的各种干扰,有效提高了电力系统短期负荷预测精度.     

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．     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

人工神经网络及其在电力短期负荷预测中的应用研究

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定.通过讨论短期负荷预测,来阐述Levenberg-Marquardt算法优于传统BP算法.并分别用BP算法和Levenberg-Marquardt算法对绥龙110 kV变电局所属供电网络远动采集来的负荷数据进行预测,来说明Levenberg-Marquardt算法优于传统BP算法.     

基于一种改进的地区性电力系统短期负荷预测方法

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义.为提高电力系统短期负荷预测精度,采用三层BP型人工神经网络来建立短期负荷预测模型,将影响负荷的主要因素作为数据样本,进行网络的自我训练和学习,并且在训练和学习的过程中引入误差反方向传播算法(即BP算法)来修正神经网络的连接权重,从而达到对负荷预测模型的改良和完善,进一步贴近实际的负荷变化,其预测的精度也较高.     

人工神经网络在电力负荷预报上的应用

１概述能量管理系统（ＥＭＳ）是以计算机为基础的现代电力调度自动化系统。需要过去（历史）、现在（实时）和未来（计划）三类数据,而负荷预测是未来数据的主要来源。负荷预测对电力系统的控制、运行和计划都是非常重要的。提高其精度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性。负荷预测按周期可分为超短期、短期、中期和长期负荷预测。其中短期负荷预测主要用于火电分配、水火电协调、机组经济组合和交换功率计划,需要１-７天的负荷值,使用对象是编制调度计划的工程师,在电力负荷预报中占有重要地位。电力负荷预测是一…     

基于联邦学习的短期负荷预测模型协同训练方法

针对机器学习方法在电力系统短期负荷预测领域的应用过程中,存在数据样本不 足、模型泛化能力差以及数据隐私保护要求较高等问题,以气象、日期以及历史负荷数据为输 入特征,构建基于长短期记忆（Long Short-Term Memory,LSTM）网络的短期负荷预测模型,提 出基于联邦学习（Federated Learning,FL）的短期负荷预测模型协同训练方法. 通过分散训练、 中心聚合的方式对模型参数进行迭代更新,实现各负荷运营商在保证数据隐私的情况下协同 构建预测模型. 在GEFCom2012比赛的多个地区负荷数据集上进行仿真验证,结果表明,所提 方法在保证各运营商数据隐私的同时,有效提升了短期负荷预测准确率,所训练出的模型在 多场景下具有优秀的泛化能力.     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

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．     

基于人工神经网络的负荷数据预处理

对历史负荷数据进行处理是提高电力系统负荷预测精度首先要解决的问题。脏数据处理的过程就是对于含有脏数据的负荷曲线模式的辨识过程。首先利用自适应共振网络(ART网)对日负荷曲线进行分类,确定出每一类负荷曲线的特征曲线;然后用超圆神经网络(CC网)对特征曲线进行脏数据辨识;最后利用扩展短期负荷预测方法对脏数据进行修正。对某市2002年8月份的数据进行脏数据辨识,结果证明所提出的模型对脏数据的平均检测率为92.11%,效果令人满意。采用该处理过的历史数据对某市2002年8月14日的负荷进行预测,结果表明,利用该方法处理后的数据进行负荷预测提高了负荷预测的精度。     

PROSPECTS FOR APPLICATIONS OF WAVELET ANALYSES IN POWER SYSTEMS *

本文介绍了小波分析的发展历程和基本理论;阐述了连续小波变换、二进小波变换、多分辨分析和Ｍａｌａｔ塔式算法等重要概念;分析了小波分析优于其它方法的显著特点及其重要价值,并结合已取得的研究成果,详细讨论了小波分析在电力系统状态监视和故障诊断、谐波分析、抗电磁干扰、继电保护和故障定位、负荷预测、暂态稳定、动态安全分析、神经网络、专家系统、ＨＶＤＣ系统和电能质量评估等各个领域成功应用及发展的情况。     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

飞机发动机轴承滚动体故障诊断的MATLAB实现

主要论述小波变换在信号处理方面的优越性,并通过MATLAB对飞机发动机轴承滚动体故障检测数据进行降噪处理。实验结果表明,对于在频谱图上难以找到其相应的明显频率成分的准周期故障信号,利用小波变换的多重分辨率特性,使故障成分的细节信号得到放大,对比该频率和故障情况下计算出的故障频率可以找出故障的原因。     

PCA在非线性系统传感器故障检测和重构中的应用

由于主成分分析(PCA)方法是一种线性算法,基于PCA的故障检测方法若直接运用于非线性系统的传感器故障检测和重构,会导致明显的故障误报和数据重构错误。为了使基于PCA的传感器故障检测和重构方法适用于非线性较严重的热工过程,对该方法进行了有效的改进。应用不同负荷下的历史数据,分别建立机组不同负荷下的局部PCA模型,再根据机组当前实际运行负荷选择相应的PCA模型进行传感器故障检测和重构,并结合相邻负荷PCA模型的计算结果进行数据融合,从而进一步提高了故障检测的准确性和重构精度。理论分析和现场实际应用表明,该算法能够对非线性较为严重的电厂热工过程进行精确的传感器故障检测和重构。     

中长期电力负荷的模糊回归预测

针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性，提出了一种新的负荷预测方法－模糊回归预测。该方法通过建立具有模糊回归参数的回归模型，可以直接由模糊观测数据预测出未来负荷值。文中通过实际算例验证了所提方法的可行性。     

城市供水管网水量预测的小波神经网络方法

为提高城市供水优化调度的可靠性和实用性，对城市管网水量预测的方法进行了研究．提出了利用小波分解与人工神经网络相结合的小波神经网络管网水量预测模型，该模型以非线性小波基为神经元变换函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，并从理论上给出了严密的算法；同时通过逐步检验算法，科学地确定了网络结构，克服了普通人工神经网络难以确定网络结构、存在局部极小点等缺点．仿真结果表明，该模型比普通人工神经网络预测模型的预测精度高，并具有很强的适应能力．     

灰色等维递补预测模型在电力系统长期负荷预测中的应用

在介绍灰色系统理论的基础上,讨论了等维递补预测原理,提出了电力系统中长期负荷预测的灰色等维递补预测动态模型,并利用某地区的历史负荷数据建模预测出了该地区1999—2009年的年负荷值。