基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。     

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。     

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。     

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.     

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BP神经网络的电力系统短期负荷预测

针对短期电力系统负荷预测问题,根据已知的地区1、2的电力负荷数据,结合图像对两地区负荷变化情况进行简要分析;通过建立电力负荷数据与各气象因素的回归关系,证明气象因素对负荷预测数据准确度和精度有影响;然后构建BP神经网络模型,得到负荷预测数据,并推断预测的准确度,对两地区整体负荷规律性的优劣做出合理地判断及评价.     

基于相似日和PSO-LightGBM的超短期电力负荷预测方法

为提高超短期电力负荷预测的准确度,提出一种基于相似日和粒子群算法——轻量梯度提升机的超短期电力负荷预测方法.对初始数据集进行特征构建,并利用灰色关联法筛选出与待预测日关联度较高的历史日.使用粒子群优化算法对LightGBM算法进行参数寻优,构造PSO-LightGBM负荷预测模型.实验分析表明,相较于传统预测方法,该方法提高了电力负荷预测的精度,为电力系统稳定运行提供了保障.     

大数据技术在电力系统负荷预测中的应用进展

介绍了大数据技术在电力系统负荷预测中的应用,研究了电力负荷预测的方法、大数据在电力系统负荷预测的应用领域及其关键技术.通过阐述电力系统负荷预测的2种常见方式,对比了现有的3种电力负荷预测的方法,体现了智能预测方法在非线性处理领域的优势.在电力系统负荷预测的应用领域,电力大数据涉及集成管理、数据分析、数据处理与数据展示等关键技术.引入大数据技术来完成电力系统负荷预测,能够有效增加预测精度与速度,有助于稳定性与经济性的提升.     

一种使用混沌神经网络的电力负荷预测方法

本文对实际电力月负荷数据进行预处理,将其分为趋势序列和剩余序列两部分。计算剩余序列的最大Lyapunov指数、延迟时间等参数,发现其混沌特征。提出了一种使用混沌BP神经网络的电力月负荷预测方法。根据历史负荷序列预处理和Lyapunov指数估算,确定了网络的训练样本和网络参数,通过对实际电力负荷进行预测,结果显示该方法具有一定的可行性。     

一种基于改进总体经验模态分解与反向传播神经网络的短期负荷预测方法（英文）

目的:短期电力负荷预测是电力系统安全调度、经济运行的重要依据。研究处理非线性、非稳态电力负荷信号的新方法,建立短期负荷预测的混合模型,提高短期负荷预测的精确度。创新点:1.提出一种改进总体经验模态分解(EEMD)方法,抑制传统EEMD方法中的端点效应问题;2.提出一种基于改进EEMD和反向传播神经网络(BPNN)的短期负荷预测方法。方法:1.使用改进的EEMD方法将非稳态、非线性的电力负荷信号分解为一系列的内禀模态函数和一个趋势余量;2.移除所得的高频内禀模态函数;3.使用BPNN分别预测各内禀模态函数及趋势余量;4.使用BPNN组合各内禀模态函数及趋势余量预测结果,即为最终负荷预测结果。结论:1.所提出的改进EEMD方法能有效抑制传统EEMD方法中的端点效应问题;2.在相同条件下,所提出的基于改进EEMD和BPNN的短期负荷预测方法较BPNN、EMD-BPNN、EEMD-BPNN、SARIMA-BPNN、WTNNEA和WGMIPSO预测方法有更高的精确度。