变共轭梯度算法及其在电力系统负荷预测中的应用

在现代化的社会中,数据仓库的性能和特点已经成为了电力系统负荷预测的重要内容。本文笔者针对电力系统负荷预测中引入数据仓库的好处等内容进行简单的分析,并对基于数据仓库的电力系统负荷预测的实现进行具体的阐述。

理论探索 2010．10211 对电力系统负荷预测的探讨与分析 范亮 赣西供电公司樟树运行分公司江西南昌331100 【摘要】负荷预测是电力系统规划以及运行研究的重要内容，是保证电力系统可靠以及经济运行的前提，是电力系统规划建设的重 要依据。负荷预测的准确程度将直接影响到投资、网络布局以及运行的合理性。负荷预测会受到很多的不确定因素的影响，到目前为止， 还没有那一种方法保证在任何情况下都可以获得满意的预测结果。因此在进行负荷预测时候，应该结合预测地区的实际情况，选用多种预 测方法，各种的方法预测的结果互相的校核，最终确定预测值。 【关键词】负荷预测系统方法 指数平滑法是根据本期的实际值和过去对本期的预测值，预测 下一期数值，它反映了最近时期事件的数值对预测值的影响。这是 一种在移动平均法的基础上发展起来的特殊的加权平均法。负荷预 测是电力系统运行调度中

利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.

数据挖掘技术能够从大量数据中发现潜在知识,软计算是创建智能系统的有效方法,本文将两者结合,完成电力预测过程的两个主要任务:负荷坏数据处理和多因素负荷预测模型的建立。通过对kohonen网聚类挖掘和bp网分类挖掘的效果分析,设计由这两种网络组合而成的神经网络模型,完成坏数据辨识和调整的任务;以模糊推理系统为基础构建多因素负荷预测模型,本文采用cart分类挖掘技术解决模糊结构辨识中的两个难点问题:输入空间划分和输入变量选择,在此基础上设计anfis网络进行参数辨识。良好的实例分析效果说明,数据挖掘思想和软计算方法相结合,是电力系统负荷预测的一种有效的思路和方法

电力系统负荷预测是根据电力负荷、社会、经济、气象等历史数据，特别是气象和经济数据，探索电力负荷历史数据变化规律对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，从而对未来的电力负荷进行科学的预测。在电网规划中，电力负荷预测精度直接决定投资成本，因此，选择一种预测精度高的电力负荷预测办法至关重要。灰色模拟法是对原始数据进行整理和分析，主要适合于信息条件比较贫乏的预测和分析。现就基于灰色预测模型改进的负荷预测问题作出简要探讨。

基于灰色预测理论，研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性，提出了电力系统中长期负荷预测的实用新方法灰色预测模型。以实际算例为基础，应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测，并进行了分析比较。结果表明，用灰色理论预测电力负荷，理论可靠、方法简单。对于中长期电力负荷预测这样复杂的问题，组合灰色预测模型具有预测精度高、简捷实用等优点，该方法可作为中长期电力负荷预测的工具之一。

负荷的预测水平是衡量电力系统运行管理现代化的显著标志之一,负荷预测的结果除了由负荷本身的历史规律决定外,还受众多非负荷因素的影响,会因地区和气象而异,本文根据具体情况提出合适的负荷预测模型——马尔可夫链模型,具有重要的意义。

研究了灰色gm(1,1)模型及其在电力系统负荷预测中的应用,以实际算例为基础,对预测结果作了分析,得出结论：灰色gm(1,1)模型精度较高,但也存在一定的局限性．

论述了人工神经网络预测电力系统负荷的方法和步骤,并以bp神经网络在石嘴山地区短期负荷预测中的应用为例,探讨负荷预测的重要性。

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统bp算法的不足,提出一种基于levenbery-marquardt优化法的bp模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。

首先,简要介绍了深度学习算法的有关内容,包括深度学习与神经网络的比较和深度学习的训练过程。其次,从负荷的日属性、负荷的周属性、温度因素、节假日因素这几个方面对负荷的特性进行了研究。最后,根据负荷的历史数据,应用深度学习算法进行了短期负荷预测,并将其预测结果与bp神经网络的预测结果做了比较。

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与bp算法相结合,形成了粒子群优化bp算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的bp模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度。分析了如何采用bp多层感知器的隐层数及隐层单元数。最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。

智能工程是多层灰色神经网络中的智能算法,处理多个非线性复杂系统研究。

青岛理工大学琴岛学院 毕业设计（论文）指导书 系部：机电系 专业：电气工程及其自动化 学生姓名:学号: 设计(论文)题目：电力系统负荷预测方法研究 起迄日期:2012年3月14日~6月3日 设计(论文)地点: 指导教师:杨柳 教研室负责人：姜凯 发指导书日期:2011年12月22日 《电力系统负荷预测方法研究》毕业设计指导书 适用专业：电气工程及其自动化 学时数：12周 一、课题任务 由于电能是不可存储的能源，为更有效地使用电能，电力负荷预测就尤为重要。电力负 荷预测主要有长期、中期、短期等几种，本课题的研究对象是短期电力负荷预测中各种预测 方法的应用效果，研究任务是网络参数的调整。 二、课题设计的主要内容和要求 （一）主要内容： 随着科学技术的发展和社会的进步，

文章在介绍神经网络模型构成原理的基础上,针对传统模型在对非线性序列进行预测时速度慢、容易陷入局部次最优的缺点,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型,并分析了小波神经网络在电力负荷预测领域的研究和应用现状.

文章认为相空间局域线性回归法是电力系统短期负荷预测混沌预测法中广泛使用的方法,在用线性最小二乘法估计局部线性化模型的参数时,往往由于病态的数据矩阵导致估计值对噪声过于敏感而变得不可信。针对这种情况应用最小均方误差准则和最陡下降原理提出了一种基于自适应滤波电力系统短期负荷预测算法,避免了病态矩阵的影响。实验结果表明该算法预测结果稳定、可靠。

뗧솦쾵춳뛌웚뢺뫉풤닢랽램퇐뺿ퟷ헟ꎺ십뺲늨톧캻쫚폨떥캻ꎺ쯄뒨듳톧닎뾼컄쿗(63쳵ì1.얣뚫쿾.닜쫷뮪.헔샚뗧솦쾵춳뢺뫉풤닢벼쫵벰웤펦폃19882.쇵뎿鬒뗧솦쾵춳뢺뫉풤놨샭싛폫랽램19873.헅럼짺.췴뫨.몫.쯯쿾잿.헅헱폮.닜뷸믹폚욫ퟮ킡뛾돋믘맩럖컶뗄뛌웚뢺뫉풤닢[웚뾯싛컄æ-뗧췸벼쫵2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.헅짜뫍.믆뚫믝.뛅컄맣욽뮬쾵쫽폅뮯뗄

电力系统短期负荷预测分析

电力系统短期负荷预测的静态分析

0 目录 中文摘要..............................................................1 英文摘要..............................................................2 1电力系统负荷预测综述...............................................3 1.1引言...........................................................3 1.2电力系统负荷预测的含义.........................................3 1.3电力系统负荷预测的意义.......................................

利用标准bp神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进bp神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的bp算法和标准bp算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。