變共軛梯度算法及其在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用

在現(xiàn)代化的社會(huì)中,數(shù)據(jù)倉(cāng)庫(kù)的性能和特點(diǎn)已經(jīng)成為了電力系統(tǒng)負(fù)荷預(yù)測(cè)的重要內(nèi)容。本文筆者針對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)中引入數(shù)據(jù)倉(cāng)庫(kù)的好處等內(nèi)容進(jìn)行簡(jiǎn)單的分析,并對(duì)基于數(shù)據(jù)倉(cāng)庫(kù)的電力系統(tǒng)負(fù)荷預(yù)測(cè)的實(shí)現(xiàn)進(jìn)行具體的闡述。

理論探索 2010．10211 對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)的探討與分析 范亮 贛西供電公司樟樹運(yùn)行分公司江西南昌331100 【摘要】負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃以及運(yùn)行研究的重要內(nèi)容，是保證電力系統(tǒng)可靠以及經(jīng)濟(jì)運(yùn)行的前提，是電力系統(tǒng)規(guī)劃建設(shè)的重 要依據(jù)。負(fù)荷預(yù)測(cè)的準(zhǔn)確程度將直接影響到投資、網(wǎng)絡(luò)布局以及運(yùn)行的合理性。負(fù)荷預(yù)測(cè)會(huì)受到很多的不確定因素的影響，到目前為止， 還沒有那一種方法保證在任何情況下都可以獲得滿意的預(yù)測(cè)結(jié)果。因此在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)候，應(yīng)該結(jié)合預(yù)測(cè)地區(qū)的實(shí)際情況，選用多種預(yù) 測(cè)方法，各種的方法預(yù)測(cè)的結(jié)果互相的校核，最終確定預(yù)測(cè)值。 【關(guān)鍵詞】負(fù)荷預(yù)測(cè)系統(tǒng)方法 指數(shù)平滑法是根據(jù)本期的實(shí)際值和過(guò)去對(duì)本期的預(yù)測(cè)值，預(yù)測(cè) 下一期數(shù)值，它反映了最近時(shí)期事件的數(shù)值對(duì)預(yù)測(cè)值的影響。這是 一種在移動(dòng)平均法的基礎(chǔ)上發(fā)展起來(lái)的特殊的加權(quán)平均法。負(fù)荷預(yù) 測(cè)是電力系統(tǒng)運(yùn)行調(diào)度中

利用多分辨分析的小波變換對(duì)短期電力負(fù)荷序列進(jìn)行了分解處理.將負(fù)荷序列投影到不同的尺度上,根據(jù)其在各尺度上子序列的特性分別進(jìn)行回歸預(yù)測(cè).最后將預(yù)測(cè)結(jié)果疊加,得到最佳預(yù)測(cè)結(jié)果.結(jié)果表明,該方法能夠取得較好的預(yù)測(cè)精確度.

數(shù)據(jù)挖掘技術(shù)能夠從大量數(shù)據(jù)中發(fā)現(xiàn)潛在知識(shí),軟計(jì)算是創(chuàng)建智能系統(tǒng)的有效方法,本文將兩者結(jié)合,完成電力預(yù)測(cè)過(guò)程的兩個(gè)主要任務(wù):負(fù)荷壞數(shù)據(jù)處理和多因素負(fù)荷預(yù)測(cè)模型的建立。通過(guò)對(duì)kohonen網(wǎng)聚類挖掘和bp網(wǎng)分類挖掘的效果分析,設(shè)計(jì)由這兩種網(wǎng)絡(luò)組合而成的神經(jīng)網(wǎng)絡(luò)模型,完成壞數(shù)據(jù)辨識(shí)和調(diào)整的任務(wù);以模糊推理系統(tǒng)為基礎(chǔ)構(gòu)建多因素負(fù)荷預(yù)測(cè)模型,本文采用cart分類挖掘技術(shù)解決模糊結(jié)構(gòu)辨識(shí)中的兩個(gè)難點(diǎn)問(wèn)題:輸入空間劃分和輸入變量選擇,在此基礎(chǔ)上設(shè)計(jì)anfis網(wǎng)絡(luò)進(jìn)行參數(shù)辨識(shí)。良好的實(shí)例分析效果說(shuō)明,數(shù)據(jù)挖掘思想和軟計(jì)算方法相結(jié)合,是電力系統(tǒng)負(fù)荷預(yù)測(cè)的一種有效的思路和方法

電力系統(tǒng)負(fù)荷預(yù)測(cè)是根據(jù)電力負(fù)荷、社會(huì)、經(jīng)濟(jì)、氣象等歷史數(shù)據(jù)，特別是氣象和經(jīng)濟(jì)數(shù)據(jù)，探索電力負(fù)荷歷史數(shù)據(jù)變化規(guī)律對(duì)未來(lái)負(fù)荷的影響，尋求電力負(fù)荷與各種相關(guān)因素之間的內(nèi)在聯(lián)系，從而對(duì)未來(lái)的電力負(fù)荷進(jìn)行科學(xué)的預(yù)測(cè)。在電網(wǎng)規(guī)劃中，電力負(fù)荷預(yù)測(cè)精度直接決定投資成本，因此，選擇一種預(yù)測(cè)精度高的電力負(fù)荷預(yù)測(cè)辦法至關(guān)重要?；疑M法是對(duì)原始數(shù)據(jù)進(jìn)行整理和分析，主要適合于信息條件比較貧乏的預(yù)測(cè)和分析?，F(xiàn)就基于灰色預(yù)測(cè)模型改進(jìn)的負(fù)荷預(yù)測(cè)問(wèn)題作出簡(jiǎn)要探討。

基于灰色預(yù)測(cè)理論，研究了基本灰色預(yù)測(cè)模型及其幾種傳統(tǒng)改進(jìn)模型的原理和它們?cè)陔娏ω?fù)荷預(yù)測(cè)中存在的局限性，提出了電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)的實(shí)用新方法灰色預(yù)測(cè)模型。以實(shí)際算例為基礎(chǔ)，應(yīng)用基本灰色預(yù)測(cè)模型和傳統(tǒng)改進(jìn)模型以及組合灰色預(yù)測(cè)模型分別對(duì)電力負(fù)荷進(jìn)行了預(yù)測(cè)，并進(jìn)行了分析比較。結(jié)果表明，用灰色理論預(yù)測(cè)電力負(fù)荷，理論可靠、方法簡(jiǎn)單。對(duì)于中長(zhǎng)期電力負(fù)荷預(yù)測(cè)這樣復(fù)雜的問(wèn)題，組合灰色預(yù)測(cè)模型具有預(yù)測(cè)精度高、簡(jiǎn)捷實(shí)用等優(yōu)點(diǎn)，該方法可作為中長(zhǎng)期電力負(fù)荷預(yù)測(cè)的工具之一。

負(fù)荷的預(yù)測(cè)水平是衡量電力系統(tǒng)運(yùn)行管理現(xiàn)代化的顯著標(biāo)志之一,負(fù)荷預(yù)測(cè)的結(jié)果除了由負(fù)荷本身的歷史規(guī)律決定外,還受眾多非負(fù)荷因素的影響,會(huì)因地區(qū)和氣象而異,本文根據(jù)具體情況提出合適的負(fù)荷預(yù)測(cè)模型——馬爾可夫鏈模型,具有重要的意義。

研究了灰色gm(1,1)模型及其在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用,以實(shí)際算例為基礎(chǔ),對(duì)預(yù)測(cè)結(jié)果作了分析,得出結(jié)論：灰色gm(1,1)模型精度較高,但也存在一定的局限性．

論述了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電力系統(tǒng)負(fù)荷的方法和步驟,并以bp神經(jīng)網(wǎng)絡(luò)在石嘴山地區(qū)短期負(fù)荷預(yù)測(cè)中的應(yīng)用為例,探討負(fù)荷預(yù)測(cè)的重要性。

針對(duì)電力負(fù)荷短期預(yù)測(cè)問(wèn)題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,分析傳統(tǒng)bp算法的不足,提出一種基于levenbery-marquardt優(yōu)化法的bp模型學(xué)習(xí)算法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來(lái)分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同類型的負(fù)荷差異,并對(duì)四川省電力公司某區(qū)一條線路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。

首先,簡(jiǎn)要介紹了深度學(xué)習(xí)算法的有關(guān)內(nèi)容,包括深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的比較和深度學(xué)習(xí)的訓(xùn)練過(guò)程。其次,從負(fù)荷的日屬性、負(fù)荷的周屬性、溫度因素、節(jié)假日因素這幾個(gè)方面對(duì)負(fù)荷的特性進(jìn)行了研究。最后,根據(jù)負(fù)荷的歷史數(shù)據(jù),應(yīng)用深度學(xué)習(xí)算法進(jìn)行了短期負(fù)荷預(yù)測(cè),并將其預(yù)測(cè)結(jié)果與bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果做了比較。

為提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的精度,引入一種新型的群智能方法——粒子群優(yōu)化算法,并將這種智能算法與bp算法相結(jié)合,形成了粒子群優(yōu)化bp算法模型,建立了計(jì)及氣象因素的短期負(fù)荷預(yù)測(cè)模型.通過(guò)具體算例將此模型與單純的bp模型進(jìn)行比較,結(jié)果表明:該算法具有較高的預(yù)測(cè)精度,完全能滿足實(shí)際工程的要求.

針對(duì)電力負(fù)荷短期預(yù)測(cè)問(wèn)題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來(lái)分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同小時(shí)類型的負(fù)荷差異,具有較高的預(yù)測(cè)精度。分析了如何采用bp多層感知器的隱層數(shù)及隱層單元數(shù)。最后對(duì)四川省電力公司某區(qū)一條線路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。

智能工程是多層灰色神經(jīng)網(wǎng)絡(luò)中的智能算法,處理多個(gè)非線性復(fù)雜系統(tǒng)研究。

青島理工大學(xué)琴島學(xué)院 畢業(yè)設(shè)計(jì)（論文）指導(dǎo)書 系部：機(jī)電系 專業(yè)：電氣工程及其自動(dòng)化 學(xué)生姓名:學(xué)號(hào): 設(shè)計(jì)(論文)題目：電力系統(tǒng)負(fù)荷預(yù)測(cè)方法研究 起迄日期:2012年3月14日~6月3日 設(shè)計(jì)(論文)地點(diǎn): 指導(dǎo)教師:楊柳 教研室負(fù)責(zé)人：姜?jiǎng)P 發(fā)指導(dǎo)書日期:2011年12月22日 《電力系統(tǒng)負(fù)荷預(yù)測(cè)方法研究》畢業(yè)設(shè)計(jì)指導(dǎo)書 適用專業(yè)：電氣工程及其自動(dòng)化 學(xué)時(shí)數(shù)：12周 一、課題任務(wù) 由于電能是不可存儲(chǔ)的能源，為更有效地使用電能，電力負(fù)荷預(yù)測(cè)就尤為重要。電力負(fù) 荷預(yù)測(cè)主要有長(zhǎng)期、中期、短期等幾種，本課題的研究對(duì)象是短期電力負(fù)荷預(yù)測(cè)中各種預(yù)測(cè) 方法的應(yīng)用效果，研究任務(wù)是網(wǎng)絡(luò)參數(shù)的調(diào)整。 二、課題設(shè)計(jì)的主要內(nèi)容和要求 （一）主要內(nèi)容： 隨著科學(xué)技術(shù)的發(fā)展和社會(huì)的進(jìn)步，

文章在介紹神經(jīng)網(wǎng)絡(luò)模型構(gòu)成原理的基礎(chǔ)上,針對(duì)傳統(tǒng)模型在對(duì)非線性序列進(jìn)行預(yù)測(cè)時(shí)速度慢、容易陷入局部次最優(yōu)的缺點(diǎn),引入小波作為隱含層的傳遞函數(shù),構(gòu)成新的預(yù)測(cè)模型:小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并分析了小波神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)領(lǐng)域的研究和應(yīng)用現(xiàn)狀.

文章認(rèn)為相空間局域線性回歸法是電力系統(tǒng)短期負(fù)荷預(yù)測(cè)混沌預(yù)測(cè)法中廣泛使用的方法,在用線性最小二乘法估計(jì)局部線性化模型的參數(shù)時(shí),往往由于病態(tài)的數(shù)據(jù)矩陣導(dǎo)致估計(jì)值對(duì)噪聲過(guò)于敏感而變得不可信。針對(duì)這種情況應(yīng)用最小均方誤差準(zhǔn)則和最陡下降原理提出了一種基于自適應(yīng)濾波電力系統(tǒng)短期負(fù)荷預(yù)測(cè)算法,避免了病態(tài)矩陣的影響。實(shí)驗(yàn)結(jié)果表明該算法預(yù)測(cè)結(jié)果穩(wěn)定、可靠。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)分析

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的靜態(tài)分析

0 目錄 中文摘要..............................................................1 英文摘要..............................................................2 1電力系統(tǒng)負(fù)荷預(yù)測(cè)綜述...............................................3 1.1引言...........................................................3 1.2電力系統(tǒng)負(fù)荷預(yù)測(cè)的含義.........................................3 1.3電力系統(tǒng)負(fù)荷預(yù)測(cè)的意義.......................................

利用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)建立短期電力負(fù)荷預(yù)測(cè)模型,其算法存在最終解過(guò)于依賴初值和過(guò)學(xué)習(xí)現(xiàn)象,并且訓(xùn)練過(guò)程中存在局部極小問(wèn)題且預(yù)測(cè)精度低等缺點(diǎn)。為了提高電力負(fù)荷模型的預(yù)測(cè)精度,通過(guò)閱讀相關(guān)文獻(xiàn),構(gòu)建了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型,該模型采用遺傳算法對(duì)權(quán)值和閾值進(jìn)行初始化,以相對(duì)誤差和附加動(dòng)量法相結(jié)合的方式去計(jì)算權(quán)值修正量。比較改進(jìn)后的bp算法和標(biāo)準(zhǔn)bp算法在短期電力負(fù)荷預(yù)測(cè)的效果,從實(shí)驗(yàn)仿真的效果表明改進(jìn)后的模型提高了預(yù)測(cè)精度。