基于BP神经网络的智能电网短期电力负荷预测

当前现有预测方法对智能电网短期时间内的电力负荷预测存在预测精度低、预测精度受气象条件变化影响等问题,现引入BP神经网络研究智能电网短期电力负荷预测方法：获取智能电网历史运行数据,对数据进行预处理,对样本进行归一化处理;利用BP神经网络构建电力负荷预测模型;建立模型训练网络拓扑结构,训练模型预测性能;完成电网短期电力负荷预测,并在考虑气象因素的情况下对预测进行补偿,得到预测结果。实验证明：新的预测方法在实际应用中预测精度更高,且预测精度不会受到气象条件的影响。     

基于下级负荷预测的短期负荷预测新算法

省级电网企业要求下级电网企业(地市公司)对辖区内的网供负荷进行预测。下级单位的负荷预测含有该区域内较多的信息,充分利用下级单位的负荷预测结果,可以提高短期负荷的预测精度。针对在利用下级单位负荷预测结果时统计口径不一致的问题,提出了利用下级单位负荷预测结果提高省级电网负荷预测精度的具体方法。算例表明,提出的方法是有效可行的。     

普通日短期电力负荷预测的一种方法

电力负荷预测对电网的经济调度运行及电网的科学发展和合理规划可提供有力的科学依据．文中讨论了时间序列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电力负荷预测的数据处理方法，达到了一定的预测精度．     

灰色理论在短期电力负荷预测中的应用

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

灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用

提出了结合数据预处理和灰色模型(GM)的最小二乘支持向量机(LS-SVM)短期负荷预测模型和算法.该模型在数据预处理的基础上,根据时刻T,通过缩小的样本集建立灰色模型,利用灰色模型的预测结果构建最小二乘支持向量机,最终,通过建立的最小二乘支持向量机对预测时刻进行预测.该算法不仅通过数据预处理策略提高了预测精度,而且避免了组合预测模型中权值选择问题.采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性.     

一种改进的灰色预测模型研究及应用

灰色预测模型通常是GM模型,但预测精度有时不令人满意．在对模型GM做了进一步研究的基础上,提出了一个预测精度较高的新灰色预测模型,即“对数函数一幂函数变换”模型,它能提高离散数据的光滑度。从而拓宽了灰色预测模型的应用范围．利用此模型对四川某地区电网年历史负荷数据建模,预测出该地区1999～2010年的负荷值,试验结果表明该方法是可行且有效的．     

山西电网节假日短期负荷预测研究与分析

在对短期负荷预测的方法进行了研究、比较后,提出了几种提高预测精度的办法。实际应用于山西电网2006年春节假日短期负荷预测,结果表明该方法实用、有效。     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

基于神经网络的电力负荷预测系统设计

应用RBF(Radial Basis Function, 径向基函数)人工神经网络进行电力系统短期负荷预测.考虑了天气、经济、节假日等因素对电网负荷的影响,将负荷按照每周各日分类,共七种模式,学习样本选取每周中的相同类型日.在预测前还对原始数据中的伪数据进行剔除,提高了预测的精确度.利用从湖南省双峰电力局收集到的负荷数据进行网络模型的训练,所得结果表明了RBF网络对于负荷预测是有效性的.     

基于优选组合预测模型的中长期负荷预测

电力系统负荷预测是电力市场的基础,准确的负荷预测有利于提高电网运行的安全稳定性,从而提高电力系统的经济效益和社会效益。文章介绍了用于中长期负荷预测的灰色理论模型以及灰色等维新息模型、弹性系数法与非线性回归中的指数预测模型,提出了电力系统中长期负荷预测的实用新方法——优选组合预测模型。结果表明,优选组合预测模型对于电力系统中长期负荷预测这样复杂的问题,具有预测精度高,简捷实用等优点,该方法可以作为中长期负荷预测的工具之一。     

电力系统长期负荷预测的组合预测

介绍目前电力系统常用的中长期负荷预测的方法,根据邯郸地区1990-1999年的用电量,用各预测方法分别预测出了2000-2003年的用电量,并与实际用电量相比较,对预测结果进行了分析。证明组合预测模型总体上优于传统的单一固定式模型,是提高预测精度简单而有效的方法。     

社会总用电量混沌全域法预测

社会总用电量预报是电力系统的重要工作之一,社会总用电量为非线性时间序列．针对电力系统负荷的复杂性及非线性,提出了结合混沌理论的思想,充分利用数据信息,在重构电力负荷相空间的基础上运用混沌全域法对负荷进行预测,并与最小二乘法预测模型预测结果进行比较,结果显示混沌全域法预测结果明显优于最小二乘法预测模型,预测精度也满足工程应用．     

两种短期电力负荷预测模型的比较

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作,电力负荷是影响电网寿命和可靠度的一个重要因素。结合某省电网近五年来总电力负荷数据,对电力负荷数据进行分析与预处理,分别运用ARIMA模型与灰色GM（1,1）模型针对该省的电力总负荷分别做未来3天和10天两种情况下的短期预测,重点比较了所用两种方法的优缺点和精准度,得到3天的预测精度上GM（1,1）模型效果高于ARIMA模型,10天的预测精度上ARIMA模型相对较好。     

Adaptive load forecasting of the Hellenic electric grid

Designers are required to plan for future expansion and also to estimate the grid＇s future utilization. This means that an effective modeling and forecasting technique, which will use efficiently the information contained in the available data, is required, so that important data properties can be extracted and projected into the future. This study proposes an adaptive method based on the multi-model partitioning algorithm （MMPA）, for short-term electricity load forecasting using real data. The grid＇s utilization is initially modeled using a multiplicative seasonal ARIMA （autoregressive integrated moving average） model. The proposed method uses past data to learn and model the normal periodic behavior of the electric grid. Either ARMA （autoregressive moving average） or state-space models can be used for the load pattern modeling. Load anomalies such as unexpected peaks that may appear during the summer or unexpected faults （blackouts） are also modeled. If the load pattern does not match the normal behavior of the load, an anomaly is detected and, furthermore, when the pattern matches a known case of anomaly, the type of anomaly is identified. Real data were used and real cases were tested based on the measurement loads of the Hellenic Public Power Cooperation S.A., Athens, Greece. The applied adaptive multi-model filtering algorithm identifies successfully both normal periodic behavior and any unusual activity of the electric grid. The performance of the proposed method is also compared to that produced by the ARIMA model.     

智能电网监控系统研究

为实现智能电网负荷均衡和电能质量控制,采用低成本的RFID与卫星通信技术相结合的方式来实现电网负荷及相关参数的实时和全方位的监控.在实时和全方位监控基础上,设计实现了监控系统的体系结构和协调控制策略,为提高系统运行负荷率提供了可能,并可实现电网系统在各种约束条件下的优化运行.     

基于MEEMD加窗改进方法与GRNN组合的电力负荷预测

针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。     

基于灰色神经网络组合模型的电力消费量预测——以河北省为例

在分析灰色预测模型GM(1,1)以及BP神经网络预测模型2种单一模型在电力消费量预测方面不足的基础上,提出灰色神经网络组合预测模型。以河北省电力消费量为基础,分别用3种模型进行预测,并加以比较分析。结果表明,灰色神经网络组合模型提高了关于河北省中长期电力消费量的预测精度,对河北省未来电力系统及能源需求规划具有一定参考价值。     

SPSS软件在电量需求预测中的应用

文中利用SPSS软件中的时间序列预测方法,对西北电网电量需求进行外推预测.结果表明,利用SPSS进行电量需求预测,预测精度较高,从而为电量需求预测提供了一种切实可行的方法.     

人工神经网络在电力系统中的应用

介绍了人工神经网络在电力系统的短期负荷预测、多状态振荡的阻尼、谐波源的检测与辨识等方面的应用。     

中长期电力负荷预测的回归模型及其应用

针对中长期电力负荷预测中观察数据及负荷变化规律,提出了一种预测方法,该方法通过建立具有线性回归模型或非线性回归模型,可以直接由观察数据预测出未来负荷值.本文通过实际算例验证了该方法的可行性.