基于混沌理论和BP神经网络某基地电力短期负荷预测

电力系统短期负荷预测是能量管理系统的重要组成部分，不但为电力系统的安全、经济运行提供保障，也是电力市场环境下编排调度计划、供电计划、交易计划的基础。因此，短期负荷预测方法的研究一直为人们所重视。

电力系统负荷预测的重要性、分类和主要预测方法,bp神经网络算法的基本理论和预测过程,建立基于bp神经网络的短期负荷预测模型,以加州24h的电力负荷预测为例进行matlab仿真,结果显示预测精度符合电力系统要求。

通过对小电网负荷数据的特点分析，将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用matlab对实际数据进行了仿真计算。通过实例计算，并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明，利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。

短期负荷预测是电力调度部门的重要工作之一,负荷预测的精度直接影响到电网的安全、经济和稳定运行。本文针对目前负荷预测中单一预测理论精度较低的问题提出采用bp神经网络与混沌理论相结合的算法,以变步长和附加动量法进行改进,同时以混沌时间序列来确定网络结构,从而克服了算法对大量训练样本的依赖,提高预测精度和速度。对咸阳区域电网负荷的实际预测结果表明了该方法的有效性。

为了解决bp神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题，本文采用粒子群算法（particleswarmoptimization，pso）优化elman动态神经网络进行精准预测。根据输入输出参数个数确定elman神经网络结构，利用pso算法优化网络的权值和阈值，并将优化后的最优个体赋给elman动态神经网络作为初始权值、阈值进行网络训练，从而建立基于pso-elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证，并与传统的bp、elman网络模型预测方法进行对比，结果表明该方法和模型在有效缩短网络收敛时间的同时，具备更高的负荷预测精度和稳定性。

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(bp)的短期负荷预测.从bp神经网络的理论入手,采用遗传算法优化bp神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.

将bp神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明,bp神经网络能够对电力负荷进行较好地预测。

由于影响电力负荷的因素之间存在着非线性,所以采用神经网络方案来进行短期电力负荷预测。对应用于实际的神经网络算法进行了具体处理,如数据的归一化,输入向量和输出向量的选择。仿真结果表明其有较好的预测精度。该模型具有网络结构较小、训练时间短、易于实现的优点。

讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明:基于bp神经网络的短期电力负荷预测具有精度高的特点,符合预测结果的相对误差小于3.06%。

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,将人工神经网络的bp、elman、rbf三种模型用于短期负荷预测,建立了短期电力负荷预测模型,综合考虑气象、天气等影响负荷因素进行短期负荷预测。某电网实际预测结果表明,rbf比bp、elman有更好的预测精度,更快的速度。

电力负荷是受周期性变化以及天气等因素影响的高度非线性系统,而神经网络仅仅对已学习过的模式具有较好的范化能力。为提高神经网络的负荷预测精度,提出先对原始负荷序列进行差分运算以除去其周期性影响,然后依据相似性原理建立rbf神经网络预测模型,仿真实验表明采用该方法短期负荷预测精度有所改善。

根据微电网的负荷及影响负荷变化因素的气温、气象特征等数据,建立了基于bp(误差反向传播)神经网络和rbf(径向基函数)神经网络的微电网短期负荷预测模型.通过matlab仿真,对两种模型的未来24h短期负荷预测进行比较,验证了两种模型的有效性和可行性.仿真结果表明,与bp神经网络相比,rbf神经网络预测方法具有较高的预测精度和较快的收缩性,更适合微电网的短期负荷预测.

采用基于混沌算法的自适应预测模型进行电力系统短期负荷预测,通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项。算例表明,该算法具有很强的自适应能力和鲁棒性,预测精度高。

负荷预测是电力规划的基础,传统的神经网络预测方法存在对初始网络权值设置敏感、收敛的速度慢、容易陷入局部极小值等缺点。文中引入遗传算法先对神经网络的初始值进行优化,再通过神经网络进行学习和训练,得出的结果再经bagging方法集成,目的是提高其准确率。通过matlab仿真进行实验,结果表明,基于bagging算法集成遗传神经网络,能够克服传统bp神经网络的缺点,可较快收敛又不易陷入到局部极值中,具有较强的泛化能力,同时也大大提高了网络的预测精度。

针对供热系统供热量和需热量不匹配的问题和节能降耗的需求,提出一种基于改进神经网络的供热系统短期热负荷滚动预测方法。该方法利用动态的k-均值聚类算法确定rbf神经网络的隐含层中心,以实现对聚类中心的个数优化选择,再利用递归正交最小二乘法更新网络连接的权系数,训练rbf神经网络模型。每次预测时用实时数据更新一部分历史数据从而组成新的输入,再用训练模型预测下一时刻的热负荷,用于实现热网热负荷短期滚动预测。仿真结果表明,该方法与传统的神经网络预测方法相比,预测精度高,对热网系统短期热负荷具有良好的预测能力,能给热网控制器提供可靠的数据,使热网供热量和需求量相匹配,满足节能降耗的需求,具有一定的工程实用价值。

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文分析了小波神经网络的特点,建立了电力负荷的小波神经网络预测模型,设计了小波神经网络结构,给出了小波网络参数调节算法。对实际电力负荷预测算例,以及与bp网络的对比研究实验表明,小波神经网络对非平稳信号能进行有效地预测,比bp神经网络具有更高的预测精度。

为了减小电力负荷预测中的误差,提出了基于rbf神经网络的电力负荷预测模型.介绍了负荷序列的相似度预测模型,并在此基础上采用了rbf网络对负荷波动值的误差纠正.通过运用实际电力负荷数据进行验证,该模型能较好地避免不良数据的干扰,有效地提高了负荷序列的预测精度.

为了考虑除负荷本身外的其他因素对短期负荷的影响,提出了基于相似度与神经网络的短期协同预测模型。该模型首先通过计算负荷曲线的相似度对历史数据进行排序,然后选择与预测时刻相似度较相近的数据对未来时刻的负荷利用相似度进行预测,对于出现的误差,通过神经网络结合其他因素进行预测纠正。实验结果证明,该协同预测模型较之单纯的bp神经网络预测模型具有较高的预测精度。

电力系统短期负荷对电力企业的经济效益和社会效益都有一定影响。因此文中建立了基于rbf神经网络的电力系统短期负荷模型。用历史负荷数据作为训练样本,用训练好的神经网络进行电力系统短期负荷预测,并与bp神经网络进行对比。rbf神经网络的平均误差为2.09%,最大误差为4.77%,相比于bp神经网络精确度较高,有利于电力系统合理地进行调度规划工作。

空调负荷是近年来增长较快的一类负荷,其特性对电网的电压稳定性影响很大。夏季影响空调负荷的因素主要是温度和湿度的变化。为了更好的预测空调降温负荷,研究了温度和湿度对空调负荷的影响。利用bp人工神经网络对电网空调负荷进行了预测,经过分析把日平均湿度量化成4段,和日平均湿度实际数值的模型进行计算比较,结果显示考虑日最高温度和日平均湿度量化为4段能更好的模拟温度、湿度和空调负荷之间的非线性关系,能更好的对电网空调负荷进行预测。

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用gm(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法。首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入。在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为bp神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷。该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性。