基于人工神經(jīng)網(wǎng)絡(luò)與主分量分析短期電力負(fù)荷預(yù)測(cè)方法

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行精準(zhǔn)預(yù)測(cè)。根據(jù)輸入輸出參數(shù)個(gè)數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個(gè)體賦給elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而建立基于pso-elman的電力負(fù)荷預(yù)測(cè)模型。采用某鋼廠實(shí)測(cè)電力數(shù)據(jù)對(duì)該方法和模型進(jìn)行驗(yàn)證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測(cè)方法進(jìn)行對(duì)比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時(shí)間的同時(shí)，具備更高的負(fù)荷預(yù)測(cè)精度和穩(wěn)定性。

根據(jù)微電網(wǎng)的負(fù)荷及影響負(fù)荷變化因素的氣溫、氣象特征等數(shù)據(jù),建立了基于bp(誤差反向傳播)神經(jīng)網(wǎng)絡(luò)和rbf(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)模型.通過matlab仿真,對(duì)兩種模型的未來24h短期負(fù)荷預(yù)測(cè)進(jìn)行比較,驗(yàn)證了兩種模型的有效性和可行性.仿真結(jié)果表明,與bp神經(jīng)網(wǎng)絡(luò)相比,rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有較高的預(yù)測(cè)精度和較快的收縮性,更適合微電網(wǎng)的短期負(fù)荷預(yù)測(cè).

電力負(fù)荷數(shù)據(jù)管理系統(tǒng)是電力營(yíng)銷技術(shù)支持系統(tǒng)的組成部分,對(duì)電力系統(tǒng)運(yùn)行有著重要的輔助作用。采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,設(shè)計(jì)輸入變量和確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法和算法,可以使得從歷史樣本知識(shí)數(shù)據(jù)到最終預(yù)測(cè)模型的建模過程變得簡(jiǎn)單明了,便于實(shí)際應(yīng)用。預(yù)測(cè)方法是使用matlab建立模型,對(duì)24個(gè)負(fù)荷點(diǎn)預(yù)測(cè),采用多輸入單輸出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)每天的整點(diǎn)負(fù)荷值。因?yàn)殡娏ω?fù)荷與環(huán)境因素有關(guān),在輸入、輸出向量設(shè)計(jì)中輸入變量加入天氣特征值。根據(jù)輸入、輸出向量對(duì)bp網(wǎng)絡(luò)設(shè)計(jì)。該算法結(jié)構(gòu)簡(jiǎn)單,最后進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其有較好的預(yù)測(cè)精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),并考慮不同小時(shí)負(fù)荷差異,易于實(shí)現(xiàn),具有較高的預(yù)測(cè)精度,預(yù)測(cè)誤差在15%以下,一定程度上克服傳統(tǒng)算法收斂速度慢,容易陷入局部積小的缺點(diǎn)。

將bp神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測(cè)。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡(luò)構(gòu)造及預(yù)測(cè)結(jié)果評(píng)價(jià)方法。在南京市夏季電力負(fù)荷統(tǒng)計(jì)數(shù)據(jù)集上面的實(shí)驗(yàn)結(jié)果表明,bp神經(jīng)網(wǎng)絡(luò)能夠?qū)﹄娏ω?fù)荷進(jìn)行較好地預(yù)測(cè)。

根據(jù)電力負(fù)荷的主要影響因素,考慮時(shí)間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(bp)的短期負(fù)荷預(yù)測(cè).從bp神經(jīng)網(wǎng)絡(luò)的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和隱層節(jié)點(diǎn)數(shù),從而避免了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定和初始權(quán)值選擇的盲目性,提高了神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的效率和精度使得負(fù)荷預(yù)測(cè)在更加合理的網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行.

小波神經(jīng)網(wǎng)絡(luò)是建立在小波理論基礎(chǔ)上的一種新型前饋神經(jīng)網(wǎng)絡(luò),具有許多優(yōu)良特性。本文分析了小波神經(jīng)網(wǎng)絡(luò)的特點(diǎn),建立了電力負(fù)荷的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,設(shè)計(jì)了小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),給出了小波網(wǎng)絡(luò)參數(shù)調(diào)節(jié)算法。對(duì)實(shí)際電力負(fù)荷預(yù)測(cè)算例,以及與bp網(wǎng)絡(luò)的對(duì)比研究實(shí)驗(yàn)表明,小波神經(jīng)網(wǎng)絡(luò)對(duì)非平穩(wěn)信號(hào)能進(jìn)行有效地預(yù)測(cè),比bp神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度。

基于人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)了一個(gè)三層的ｂｐ網(wǎng)絡(luò)模型。充分利用了神經(jīng)網(wǎng)絡(luò)高度非線性建模能力，實(shí)現(xiàn)電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)。文中對(duì)樣本數(shù)據(jù)進(jìn)行了預(yù)處理，以及在算法中引入附加沖量項(xiàng)，以提高訓(xùn)練速度。預(yù)測(cè)仿真結(jié)果證明使用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行短期負(fù)荷預(yù)測(cè)是可行的。

為了減小電力負(fù)荷預(yù)測(cè)中的誤差,提出了基于rbf神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)模型.介紹了負(fù)荷序列的相似度預(yù)測(cè)模型,并在此基礎(chǔ)上采用了rbf網(wǎng)絡(luò)對(duì)負(fù)荷波動(dòng)值的誤差糾正.通過運(yùn)用實(shí)際電力負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證,該模型能較好地避免不良數(shù)據(jù)的干擾,有效地提高了負(fù)荷序列的預(yù)測(cè)精度.

綜合考慮到溫度、日期類型和天氣等因素對(duì)短期電力負(fù)荷的影響,提出了一種將人工神經(jīng)網(wǎng)絡(luò)(ann)rbf模型和模糊邏輯相結(jié)合的短期負(fù)荷預(yù)測(cè)方法。該方法將電力負(fù)荷分為周期性的基本負(fù)荷和受多種因素影響的變動(dòng)負(fù)荷兩部分,對(duì)于周期負(fù)荷用ann進(jìn)行預(yù)測(cè),采用負(fù)荷預(yù)測(cè)中比較精確的rbf算法;變動(dòng)負(fù)荷采用模糊邏輯對(duì)天氣因素、溫度、日期類型分別做不同的模糊處理,然后利用模糊推理規(guī)則對(duì)基本負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行修正。通過典型算例與普通bp法預(yù)測(cè)結(jié)果相比較,結(jié)果表明該方法具有較高的預(yù)測(cè)精度。

通過對(duì)小電網(wǎng)負(fù)荷數(shù)據(jù)的特點(diǎn)分析，將時(shí)間序列處理、混沌理論和神經(jīng)網(wǎng)絡(luò)理論相結(jié)合提出了一種基于混沌神經(jīng)網(wǎng)絡(luò)理論的電力負(fù)荷預(yù)測(cè)模型。利用matlab對(duì)實(shí)際數(shù)據(jù)進(jìn)行了仿真計(jì)算。通過實(shí)例計(jì)算，并和不用相空間重構(gòu)的神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)算法的各種誤差指標(biāo)的分析比較說明，利用相空間重構(gòu)對(duì)歷史數(shù)據(jù)序列進(jìn)行拆分或重構(gòu)可以提高負(fù)荷預(yù)測(cè)的精度。

介紹了bp神經(jīng)網(wǎng)絡(luò)算法的原理以及對(duì)其采用非線性阻尼最小二乘法levenberg-marquardt進(jìn)行優(yōu)化的方法。采用matlab的神經(jīng)網(wǎng)絡(luò)工具箱建立了一個(gè)單隱層的bp神經(jīng)網(wǎng)絡(luò)模型和預(yù)測(cè)流程,采用24個(gè)輸入人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)每天的整點(diǎn)負(fù)荷,并且討論了如何進(jìn)一步通過改變網(wǎng)絡(luò)參數(shù)以提高負(fù)荷預(yù)測(cè)精度。實(shí)驗(yàn)仿真結(jié)果表明,此方法預(yù)測(cè)短期電力負(fù)荷,可以得到令人滿意的訓(xùn)練速度及預(yù)測(cè)精度。

為了提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)精度,提出一種基于改進(jìn)極限學(xué)習(xí)機(jī)(melm)的短期電力負(fù)荷預(yù)測(cè)模型。引入基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論,并結(jié)合最小二乘向量機(jī)回歸學(xué)習(xí)方法,以克服傳統(tǒng)極限學(xué)習(xí)機(jī)(elm)在短期負(fù)荷預(yù)測(cè)中存在的過擬合問題。某地區(qū)用電負(fù)荷預(yù)測(cè)結(jié)果表明,改進(jìn)模型的泛化性與預(yù)測(cè)精度均優(yōu)于傳統(tǒng)elm和os-elm模型,可為短期電力負(fù)荷預(yù)測(cè)提供有效依據(jù),具有一定的實(shí)用性。

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行提供保障，也是電力市場(chǎng)環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)。因此，短期負(fù)荷預(yù)測(cè)方法的研究一直為人們所重視。

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行提供保障，也是電力市場(chǎng)環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)。因此，短期負(fù)荷預(yù)測(cè)方法的研究一直為人們所重視。

電力系統(tǒng)負(fù)荷預(yù)測(cè)的重要性、分類和主要預(yù)測(cè)方法,bp神經(jīng)網(wǎng)絡(luò)算法的基本理論和預(yù)測(cè)過程,建立基于bp神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)模型,以加州24h的電力負(fù)荷預(yù)測(cè)為例進(jìn)行matlab仿真,結(jié)果顯示預(yù)測(cè)精度符合電力系統(tǒng)要求。

提出了一種基于灰色模型和神經(jīng)網(wǎng)絡(luò)組合的短期負(fù)荷預(yù)測(cè)方法。首先利用頻域分解消除負(fù)荷序列的周期性,然后利用灰色模型計(jì)算負(fù)荷序列的歷史擬合值和未來預(yù)測(cè)值,將其作為神經(jīng)網(wǎng)絡(luò)的輸入。在歷史數(shù)據(jù)中選擇一天作為基準(zhǔn)日,以該基準(zhǔn)日的量為參照,以負(fù)荷的灰色模型擬合值相對(duì)基準(zhǔn)日的變化量,以及溫度變化量為bp神經(jīng)網(wǎng)絡(luò)的輸入,實(shí)際負(fù)荷變化量為輸出,訓(xùn)練神經(jīng)網(wǎng)絡(luò)并預(yù)測(cè)待預(yù)測(cè)日負(fù)荷的變化量,加上基準(zhǔn)日負(fù)荷后得到預(yù)測(cè)負(fù)荷。該方法綜合了灰色模型方法和神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點(diǎn),仿真結(jié)果驗(yàn)證了方法的有效性。

空調(diào)負(fù)荷是近年來增長(zhǎng)較快的一類負(fù)荷,其特性對(duì)電網(wǎng)的電壓穩(wěn)定性影響很大。夏季影響空調(diào)負(fù)荷的因素主要是溫度和濕度的變化。為了更好的預(yù)測(cè)空調(diào)降溫負(fù)荷,研究了溫度和濕度對(duì)空調(diào)負(fù)荷的影響。利用bp人工神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)空調(diào)負(fù)荷進(jìn)行了預(yù)測(cè),經(jīng)過分析把日平均濕度量化成4段,和日平均濕度實(shí)際數(shù)值的模型進(jìn)行計(jì)算比較,結(jié)果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調(diào)負(fù)荷之間的非線性關(guān)系,能更好的對(duì)電網(wǎng)空調(diào)負(fù)荷進(jìn)行預(yù)測(cè)。

為了考慮除負(fù)荷本身外的其他因素對(duì)短期負(fù)荷的影響,提出了基于相似度與神經(jīng)網(wǎng)絡(luò)的短期協(xié)同預(yù)測(cè)模型。該模型首先通過計(jì)算負(fù)荷曲線的相似度對(duì)歷史數(shù)據(jù)進(jìn)行排序,然后選擇與預(yù)測(cè)時(shí)刻相似度較相近的數(shù)據(jù)對(duì)未來時(shí)刻的負(fù)荷利用相似度進(jìn)行預(yù)測(cè),對(duì)于出現(xiàn)的誤差,通過神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進(jìn)行預(yù)測(cè)糾正。實(shí)驗(yàn)結(jié)果證明,該協(xié)同預(yù)測(cè)模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。

短期負(fù)荷預(yù)測(cè)是電力調(diào)度部門的重要工作之一,負(fù)荷預(yù)測(cè)的精度直接影響到電網(wǎng)的安全、經(jīng)濟(jì)和穩(wěn)定運(yùn)行。本文針對(duì)目前負(fù)荷預(yù)測(cè)中單一預(yù)測(cè)理論精度較低的問題提出采用bp神經(jīng)網(wǎng)絡(luò)與混沌理論相結(jié)合的算法,以變步長(zhǎng)和附加動(dòng)量法進(jìn)行改進(jìn),同時(shí)以混沌時(shí)間序列來確定網(wǎng)絡(luò)結(jié)構(gòu),從而克服了算法對(duì)大量訓(xùn)練樣本的依賴,提高預(yù)測(cè)精度和速度。對(duì)咸陽(yáng)區(qū)域電網(wǎng)負(fù)荷的實(shí)際預(yù)測(cè)結(jié)果表明了該方法的有效性。

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

電力負(fù)荷是受周期性變化以及天氣等因素影響的高度非線性系統(tǒng),而神經(jīng)網(wǎng)絡(luò)僅僅對(duì)已學(xué)習(xí)過的模式具有較好的范化能力。為提高神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)精度,提出先對(duì)原始負(fù)荷序列進(jìn)行差分運(yùn)算以除去其周期性影響,然后依據(jù)相似性原理建立rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,仿真實(shí)驗(yàn)表明采用該方法短期負(fù)荷預(yù)測(cè)精度有所改善。

電力系統(tǒng)短期負(fù)荷對(duì)電力企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益都有一定影響。因此文中建立了基于rbf神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷模型。用歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本,用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè),并與bp神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。rbf神經(jīng)網(wǎng)絡(luò)的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡(luò)精確度較高,有利于電力系統(tǒng)合理地進(jìn)行調(diào)度規(guī)劃工作。