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.     

BP神经网络在电力系统短期负荷预测中的应用

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BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

关于BP算法在负荷预测相关问题探讨

本文在研究了神经网络的模型建立问题基础上,探讨了电力负荷BP算法的建模方法,包括对BP网络模型建立中的隐含层数确定、隐含层节点数确定、训练次数与精度的关系、学习速率的选择、初始权值、训练样本的选择及归一化处理等相关问题进行了较深入定性和定量分析,并通过算例进行了比较实验,得出有益结论。     

电力系统短期负荷组合预测

基于三种单一预测模型，给出了电力系统短期负荷组合预测模型。为求解固定权系数，引入智能优化算法求解。通过计算结果比较表明，组合预测法具有较强的实用性和优越性。     

电力系统短期负荷预测的改进BP神经网络算法比较

基于欧洲智能技术网络(EUNITE)竞赛提供的负荷数据,对同一策略下几种改进前向神经网络(BP-ANN)算法在电力系统短期负荷预测的应用进行了分析.通过选择、量化输入数据,利用MATLAB神经网络工具箱,分别对比了几种不同的BP网络训练算法在短期负荷预测中的训练速度及预测准确度上的优劣。结果表明RPROP算法有较明显的优势.     

BP模型的改进算法及其在负荷预测中的应用

分析了ＢＰ模型学习算法－累积误差逆传播算法在接近极小点时收敛速度变得异常缓慢的原因，并通过对连接权值的调整量引入权重系数，提出了一种改进的ＢＰ模型学习算法，大大加快了收敛速度，提出了收敛性。还利用的改进算法对某省中期负荷进行了预测，逄例结果表明了该算法的有效性。     

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.     

电力系统短期负荷预测方法综述

短期负荷预测是电力系统安全经济运行的基础.介绍了电力系统短期负荷预测基本方法原理与特点,说明了各种方法的优缺点以及应用的局限性.     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.     

基于BP算法的电力系统负荷预测

本文分析了电力系统负荷预测的重要性和与负荷预测相关的数据的特点,给出了基于BP算法的电力系统负荷预测系统的体系结构,重点研究了多层前馈神经网络构建、数据预处理及网络模型的学习。将BP算法应用于电力系统负荷预测,可有效地克服数据不完整性、含噪声等复杂因素对预测结果的影响,提高预测精度。     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

神经网络短期负荷预测中的数据分析

在运用神经网络进行短期电力负荷预测中，输入数据的复杂性和冗余性给网络训练的效率和预测精度造成了显著的负面影响。文中提出了一种复全的数据分析方法，先采用输入变量贡献分析方法，根据输入变量对输出贡献的大小划分为主要变量和次要变量，在保留主要变量的基础 ，再采用多元统计分析中的主成分分析法，消除变量间的线性相关性，在此达到压缩变量维数的目的。将此分析方法用于处理神经网络的输入变量，提取其主要成分，使结构大为简化。结果表明，经该方法处理后的数据输入神经网络，训练时间大幅度缩短，负荷预测精度亦有一定程度的提高。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

人工神经网络进行电力系统短期负荷预报的几个问题的探讨

研究了利用人工神经网络进行电力系统短期负荷预报中常会遇到的几个问题,提出了考虑年负荷增长率、极端气候、节假日问题及历史负荷资料少带来的预报误差的一些极为新颖的斛办法。实例证明,这些办法明显地改善了预报结果,使人工神经网络进行电力负荷短期预报的应用更适应于实际的要求。     

短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上，提出一种称为小波支持向量机(Wavelet Support Vector Machines，WSVM)的负荷预测新算法．该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上，引入非线性小波基函数来构造SVM的核函数，从而得到新的SVM模型，并给出了此模型的结构设计与实现算法．通过实例验证，该方法能有效提高预测精度．     

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MATLAB神经网络工具箱的电力系统负荷预报

提出的基于MATLAB神经网络工具箱的短期负荷预报模型,不仅简洁实用,而且涉及了天气和日期特征量,因而具有较高的预测精度.采用两种学习算法,用实际数据对ANN进行了训练,通过比较得出了优化模型.计算实例表明用该方法是可行的、有效的.