AP-SVM多模型建模的风电场负荷预测

负荷预测是电力系统研究和电网规划的重要组成部分。采用隐马尔可夫模型,训练过程采用baum-welch算法,在matlab软件上隐马尔可夫模型进行训练,得到负荷特性预测最优模型,解码预测过程采用viterbi算法,通过模型可预测下一年地区负荷特性。以广东电网2011年至2016年负荷数据作为训练数据对隐马尔可夫模型进行训练,并对2017年广东典型日负荷率进行预测,仿真结果具有较优的准确性和计算效率。

提出了一种基于云模型的电力负荷预测模型。利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据。以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器。利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高。

提出了一种基于云模型的电力负荷预测模型.利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据.以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器.利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高.

针对小样本数据,提出基于gm(1,1)模型进行电力负荷预测模型,并通过实例表明该模型在电力负荷预测中的可行性;开发了基于gm(1,1)模型的电力负荷预测系统,实现了在实际工作中所要求的数据录入、查询、分析和预测功能。

针对bp模型的计算量大,收敛速度慢等缺点,本文提出了三种改进的bp模型,大大加快了收敛速度,提高了收敛性。并用实际数据对这三种改进模型进行了训练,实例证明了这些改进模型是有效的、可行的。

燃气短期负荷预测的小波分析综合模型——城市燃气负荷预测对于保证燃气企业的供气安全、优化调度等具有重要意义。燃气负荷受天气、温度、节假目及一些随机因素等影响，很难建立准确的预测模型。为此，根据h市燃气短期目负荷变化特点，提出了用于燃气短期负荷预...

为改善蓄冰中央空调系统控制性能及提高能效,开发了一种基于遗传算法的广义回归神经网络模型,用于预测蓄冰中央空调逐时冷负荷.该模型以前一日已知的24h室外温度为输入,以次日逐时冷负荷为输出,在遗传算法寻优网络平滑因子时,以均方差最小构造适应度函数.该模型克服了利用梯度下降法优化平滑因子时易陷入局部极值的缺点,通过对负荷预测值和计算值的比较分析验证了模型的有效性和精度,可用于蓄冰空调系统的动态优化控制.

针对传统的灰色模型在负荷增长速度较快时预测精度低的问题,提出了采用交叉遗传粒子群优化算法代替最小二乘法来优化gm(1,1)模型中参数a、b的方法;介绍了灰色预测原理及其数学模型、cgpso算法及基于cgpso算法的优化灰色模型,并根据实际负荷数据进行了仿真实验。结果表明,在负荷增长速度较快时,优化灰色模型的预测精度明显高于gm(1,1)模型,能够应用于电力系统的中长期负荷预测,拓展了灰色模型的适用范围。

灰色系统是部分信息已知、部分信息未知的系统。灰色系统把一般系统理论、信息控制的观点和方法延伸到社会、经济等广义系统，灰色系统理论能更准确地描述社会经济系统的状态和行为。研究基于灰色系统理论的灰色预测模型，对社会经济系统预测具有重要的意义。由于用电负荷增长情况受经济发展、产业机构、气候、居民收入水平等诸多因素的影响，其中有一些因素是确定的；而另外一些因素是不确定的，故可以把它看作一个灰色系统。

方法的选择对电力负荷预测结果至关重要,本文通过对x(1)(1)增加干扰因素β,实现对初始值的优化,较已有研究文献使用x(1)(n)+β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（grnn）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用grnn进行预测的关键点。提出了一种将多种群的果蝇优化算法（mfoa）和grnn相结合的混合年电力负荷预测模型,用以解决上述问题。其中,mfoa用作为grnn电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,mfoa-grnn模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（de-svm）、粒子群优化的grnn模型（pso-grnn）、以及果蝇优化的grnn模型（foa-grnn）的预测结果进行了比较。最终得出,文中所提出的mfoa-grnn模型在年电力负荷预测中的预测性能优于上述3种模型。

研究变风量空调负荷准确预测问题,由于变风量空调系统可根据负荷的需求动态改变送风量,变风量空调大系统稳态优化控制策略可以使系统节能高效运行,为准确预测负荷,优化系统,首先分析了影响负荷预测的主要因素,对温度、相对湿度的预测模型进行改进,提出了一种自适应扰动粒子群算法的bp神经网络的空调负荷预测模型,加快粒子群算法的收敛速度,提高了空调负荷的预测精度。通过仿真比较,验证了模型在空调负荷预测中的有效性。

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系,且这种关系具有动态性,因而传统方法的预测精度不高。而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点,建立了基于elman型神经网络的空调负荷预测模型,并进行了实例预测。文中还比较了elman网络和bp网络结构的建模效果,仿真实验证明了elman神经网络具有动态特性好、逼近速度快、精度高等特点,说明elman网络是一种新颖、可靠的负荷预测方法。

将发电站视为本征性灰色系统,对电力负荷建立灰色预测模型,并根据实际结果对原始模型进行优化。使用序列平移、残差校正、等维新息等方法提高了模型的精度。在实际应用中证明了预测结果的可信度

基于正交设计和灰色系统理论,提出一种预测年电力负荷的新方法。采用新陈代谢技术和加权最小二乘参数辨识法对标准gm(1,1)模型进行改进。以背景值系数α、建模所需数据个数m和加权参数q作为可控因素,根据专家经验设计了三因素三水平正交表。以平均绝对百分比误差为输出目标,通过信噪比分析,得出最优参数水平组合,并通过方差分析,进一步得出各可控因素对预测效果的影响程度。对2个电网的负荷进行预测,结果验证了所提方法的可行性和有效性。

中长期电力负荷预测是规划的前提和基础。以建立线性回归模型来科学预测电力负荷在未来的变化趋势及状态，通过算例分析，得出利用线性回归模型进行电力学系统中长期负荷预测取得令人满意的效果。

针对水电企业电力负荷预测的困难,提出了一种将ar模型与t-s模糊神经模型相结合的负荷预测新方法。通过对某水电厂近两年发电量作的预测表明,该方法具有较好的鲁棒性、较高的精度和实用前景

基于空调负荷预测的优化控制是解决冰蓄冷控制问题的理想途径。本文在分析国际建筑物空调负荷预测竞赛研究成果的基础上指出,利用季节性时间序列模型建模预测精度较高,且工程实施简便,特别适合于空调系统连续运行、负荷波动规律性较强的建筑物负荷预测。本文概要介绍利用季节性时间序列模型进行建模预测的理论和方法,并通过工程实例验证了建模方法的有效性。

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。

针对bp神经网络、rbf神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。

首次提出了一种基于hht和神经网络组合的预测模型。负荷数据首先经过emd分解,得到一系列imf分量及余项,通过各分量的频谱观察,针对低频imf分量规律性及周期性强,高频分量相对较弱的特点,对低频imf分量选择合适的预测模型直接进行预测,高频imf采用多神经网络组合预测方法。仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型。

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。