基于人工神经网络和模糊集电力系统短期负荷预测方法

介绍了bp神经网络算法的原理以及对其采用非线性阻尼最小二乘法levenberg-marquardt进行优化的方法。采用matlab的神经网络工具箱建立了一个单隐层的bp神经网络模型和预测流程,采用24个输入人工神经网络模型预测每天的整点负荷,并且讨论了如何进一步通过改变网络参数以提高负荷预测精度。实验仿真结果表明,此方法预测短期电力负荷,可以得到令人满意的训练速度及预测精度。

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。

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.

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。

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。

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。

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。

郑州大学 硕士学位论文 电力系统短期负荷预测方法的研究 姓名：张德玲 申请学位级别：硕士 专业：电力系统及其自动化 指导教师：陈根永 20070515 电力系统短期负荷预测方法的研究 作者：张德玲 学位授予单位：郑州大学 本文链接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

电力系统短期负荷预测方法研究分析

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。

基于人工神经网络原理，设计了一个三层的ｂｐ网络模型。充分利用了神经网络高度非线性建模能力，实现电力系统的短期负荷预测。文中对样本数据进行了预处理，以及在算法中引入附加冲量项，以提高训练速度。预测仿真结果证明使用人工神经网络方法进行短期负荷预测是可行的。

为了克服传统bp神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统bp神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。

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。

首先在对供热负荷预测算法的发展现状主要成果阐述的基础上,对影响供热预测因素采用模糊量化的方式进行研究处理,并由此推断将模糊神经网络算法应用于供热负荷预测可以得到良好的效果.研究模型的设计核心是bp神经网络,即将模糊量化后的影响因素作为系统的输入值,去调整神经网络的权值,从而得到预测的网络模型.建立预测模型和预测策略后,可以采用matlab科学计算软件开发程序对预测模型效果进行模拟仿真,结果表明,预测的结果能够满足要求,相对误差在合理的范围内,并且模糊神经网络算法比单纯神经网络算法具有更好的预测精度和鲁棒特性,从而达到节能的目的.且适应性强,可以应用到类似的供热工程上.

文章首先对目前电力系统负荷预报理论和方法进行了全面回顾和评述,重点介绍了混沌理论的发展及应用现状。结合混沌时间序列的分析方法,在对现在广泛应用于电力系统短期负荷预测的混沌方法研究的基础上,提出了将混沌预测技术与小波奇异性检测和消噪结合提高预测精度的方法。

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。

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.

电力负荷数据管理系统是电力营销技术支持系统的组成部分,对电力系统运行有着重要的辅助作用。采用神经网络预测模型,设计输入变量和确定神经网络结构的方法和算法,可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用matlab建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对bp网络设计。该算法结构简单,最后进行短期负荷预测仿真,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,训练时间短的优点,并考虑不同小时负荷差异,易于实现,具有较高的预测精度,预测误差在15%以下,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。

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.