介紹了bp神經網絡算法的原理以及對其采用非線性阻尼最小二乘法levenberg-marquardt進行優(yōu)化的方法。采用matlab的神經網絡工具箱建立了一個單隱層的bp神經網絡模型和預測流程,采用24個輸入人工神經網絡模型預測每天的整點負荷,并且討論了如何進一步通過改變網絡參數(shù)以提高負荷預測精度。實驗仿真結果表明,此方法預測短期電力負荷,可以得到令人滿意的訓練速度及預測精度。

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

電力系統(tǒng)短期負荷對電力企業(yè)的經濟效益和社會效益都有一定影響。因此文中建立了基于rbf神經網絡的電力系統(tǒng)短期負荷模型。用歷史負荷數(shù)據(jù)作為訓練樣本,用訓練好的神經網絡進行電力系統(tǒng)短期負荷預測,并與bp神經網絡進行對比。rbf神經網絡的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經網絡精確度較高,有利于電力系統(tǒng)合理地進行調度規(guī)劃工作。

根據(jù)微電網的負荷及影響負荷變化因素的氣溫、氣象特征等數(shù)據(jù),建立了基于bp(誤差反向傳播)神經網絡和rbf(徑向基函數(shù))神經網絡的微電網短期負荷預測模型.通過matlab仿真,對兩種模型的未來24h短期負荷預測進行比較,驗證了兩種模型的有效性和可行性.仿真結果表明,與bp神經網絡相比,rbf神經網絡預測方法具有較高的預測精度和較快的收縮性,更適合微電網的短期負荷預測.

論述了人工神經網絡預測電力系統(tǒng)負荷的方法和步驟,并以bp神經網絡在石嘴山地區(qū)短期負荷預測中的應用為例,探討負荷預測的重要性。

短期負荷預測是電力調度部門的重要工作之一,負荷預測的精度直接影響到電網的安全、經濟和穩(wěn)定運行。本文針對目前負荷預測中單一預測理論精度較低的問題提出采用bp神經網絡與混沌理論相結合的算法,以變步長和附加動量法進行改進,同時以混沌時間序列來確定網絡結構,從而克服了算法對大量訓練樣本的依賴,提高預測精度和速度。對咸陽區(qū)域電網負荷的實際預測結果表明了該方法的有效性。

由于影響電力負荷的因素之間存在著非線性,所以采用神經網絡方案來進行短期電力負荷預測。對應用于實際的神經網絡算法進行了具體處理,如數(shù)據(jù)的歸一化,輸入向量和輸出向量的選擇。仿真結果表明其有較好的預測精度。該模型具有網絡結構較小、訓練時間短、易于實現(xiàn)的優(yōu)點。

提出了一種基于灰色模型和神經網絡組合的短期負荷預測方法。首先利用頻域分解消除負荷序列的周期性,然后利用灰色模型計算負荷序列的歷史擬合值和未來預測值,將其作為神經網絡的輸入。在歷史數(shù)據(jù)中選擇一天作為基準日,以該基準日的量為參照,以負荷的灰色模型擬合值相對基準日的變化量,以及溫度變化量為bp神經網絡的輸入,實際負荷變化量為輸出,訓練神經網絡并預測待預測日負荷的變化量,加上基準日負荷后得到預測負荷。該方法綜合了灰色模型方法和神經網絡方法的優(yōu)點,仿真結果驗證了方法的有效性。

鄭州大學 碩士學位論文 電力系統(tǒng)短期負荷預測方法的研究 姓名：張德玲 申請學位級別：碩士 專業(yè)：電力系統(tǒng)及其自動化 指導教師：陳根永 20070515 電力系統(tǒng)短期負荷預測方法的研究 作者：張德玲 學位授予單位：鄭州大學 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

電力系統(tǒng)短期負荷預測方法研究分析

為了解決bp神經網絡在短期電力負荷預測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動態(tài)神經網絡進行精準預測。根據(jù)輸入輸出參數(shù)個數(shù)確定elman神經網絡結構，利用pso算法優(yōu)化網絡的權值和閾值，并將優(yōu)化后的最優(yōu)個體賦給elman動態(tài)神經網絡作為初始權值、閾值進行網絡訓練，從而建立基于pso-elman的電力負荷預測模型。采用某鋼廠實測電力數(shù)據(jù)對該方法和模型進行驗證，并與傳統(tǒng)的bp、elman網絡模型預測方法進行對比，結果表明該方法和模型在有效縮短網絡收斂時間的同時，具備更高的負荷預測精度和穩(wěn)定性。

基于人工神經網絡原理，設計了一個三層的ｂｐ網絡模型。充分利用了神經網絡高度非線性建模能力，實現(xiàn)電力系統(tǒng)的短期負荷預測。文中對樣本數(shù)據(jù)進行了預處理，以及在算法中引入附加沖量項，以提高訓練速度。預測仿真結果證明使用人工神經網絡方法進行短期負荷預測是可行的。

為了克服傳統(tǒng)bp神經網絡預測精度差,易陷入局部極值的缺陷,提出了模糊神經網絡系統(tǒng)。利用模糊粗糙集通過歷史負荷數(shù)據(jù)信息的模糊化替代負荷變化的離散化,快速尋找出樣本數(shù)據(jù)間的連續(xù)屬性的信息,將其與傳統(tǒng)bp神經網絡結合組成模糊神經網絡對熱負荷進行預測。實驗結果表明:該模糊神經網絡預測結果的相對誤差很小不超過2%,在短期負荷預測方面具有的優(yōu)越性。

電力系統(tǒng)短期負荷預測是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經濟運行提供保障，也是電力市場環(huán)境下編排調度計劃、供電計劃、交易計劃的基礎。因此，短期負荷預測方法的研究一直為人們所重視。

電力系統(tǒng)短期負荷預測是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經濟運行提供保障，也是電力市場環(huán)境下編排調度計劃、供電計劃、交易計劃的基礎。因此，短期負荷預測方法的研究一直為人們所重視。

電力系統(tǒng)負荷預測的重要性、分類和主要預測方法,bp神經網絡算法的基本理論和預測過程,建立基于bp神經網絡的短期負荷預測模型,以加州24h的電力負荷預測為例進行matlab仿真,結果顯示預測精度符合電力系統(tǒng)要求。

首先在對供熱負荷預測算法的發(fā)展現(xiàn)狀主要成果闡述的基礎上,對影響供熱預測因素采用模糊量化的方式進行研究處理,并由此推斷將模糊神經網絡算法應用于供熱負荷預測可以得到良好的效果.研究模型的設計核心是bp神經網絡,即將模糊量化后的影響因素作為系統(tǒng)的輸入值,去調整神經網絡的權值,從而得到預測的網絡模型.建立預測模型和預測策略后,可以采用matlab科學計算軟件開發(fā)程序對預測模型效果進行模擬仿真,結果表明,預測的結果能夠滿足要求,相對誤差在合理的范圍內,并且模糊神經網絡算法比單純神經網絡算法具有更好的預測精度和魯棒特性,從而達到節(jié)能的目的.且適應性強,可以應用到類似的供熱工程上.

智能工程是多層灰色神經網絡中的智能算法,處理多個非線性復雜系統(tǒng)研究。

電力負荷數(shù)據(jù)管理系統(tǒng)是電力營銷技術支持系統(tǒng)的組成部分,對電力系統(tǒng)運行有著重要的輔助作用。采用神經網絡預測模型,設計輸入變量和確定神經網絡結構的方法和算法,可以使得從歷史樣本知識數(shù)據(jù)到最終預測模型的建模過程變得簡單明了,便于實際應用。預測方法是使用matlab建立模型,對24個負荷點預測,采用多輸入單輸出的神經網絡預測每天的整點負荷值。因為電力負荷與環(huán)境因素有關,在輸入、輸出向量設計中輸入變量加入天氣特征值。根據(jù)輸入、輸出向量對bp網絡設計。該算法結構簡單,最后進行短期負荷預測仿真,仿真結果表明其有較好的預測精度。該模型具有網絡結構較小,訓練時間短的優(yōu)點,并考慮不同小時負荷差異,易于實現(xiàn),具有較高的預測精度,預測誤差在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。

空調負荷是近年來增長較快的一類負荷,其特性對電網的電壓穩(wěn)定性影響很大。夏季影響空調負荷的因素主要是溫度和濕度的變化。為了更好的預測空調降溫負荷,研究了溫度和濕度對空調負荷的影響。利用bp人工神經網絡對電網空調負荷進行了預測,經過分析把日平均濕度量化成4段,和日平均濕度實際數(shù)值的模型進行計算比較,結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、濕度和空調負荷之間的非線性關系,能更好的對電網空調負荷進行預測。

為了考慮除負荷本身外的其他因素對短期負荷的影響,提出了基于相似度與神經網絡的短期協(xié)同預測模型。該模型首先通過計算負荷曲線的相似度對歷史數(shù)據(jù)進行排序,然后選擇與預測時刻相似度較相近的數(shù)據(jù)對未來時刻的負荷利用相似度進行預測,對于出現(xiàn)的誤差,通過神經網絡結合其他因素進行預測糾正。實驗結果證明,該協(xié)同預測模型較之單純的bp神經網絡預測模型具有較高的預測精度。

為了合理安排并優(yōu)先保證軍事基地中的電力調度問題,提出一種基于混沌時間序列和bp神經網絡相結合的電力短期負荷預測方法。根據(jù)混沌理論及神經網絡方法,先基于延遲坐標相空間重構技術,再應用互信息法和飽和關聯(lián)維數(shù)法,選擇延遲時間和嵌入維數(shù)m,然后用bp神經網絡來實現(xiàn)預測,并通過對海軍某基地的電網的時間負荷序列進行實測仿真。仿真結果表明:相對誤差均在5%以內,且有33.3%的誤差在1%以內,證明該預測方法具有較高的預測精度和應用價值。