基于混沌理論和BP神經網絡某基地電力短期負荷預測

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。

通過對小電網負荷數(shù)據的特點分析，將時間序列處理、混沌理論和神經網絡理論相結合提出了一種基于混沌神經網絡理論的電力負荷預測模型。利用matlab對實際數(shù)據進行了仿真計算。通過實例計算，并和不用相空間重構的神經網絡的負荷預測算法的各種誤差指標的分析比較說明，利用相空間重構對歷史數(shù)據序列進行拆分或重構可以提高負荷預測的精度。

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。

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。

根據電力負荷的主要影響因素,考慮時間和天氣,建立了基于遺傳算法和反向傳播神經網絡(bp)的短期負荷預測.從bp神經網絡的理論入手,采用遺傳算法優(yōu)化bp神經網絡的初始權值和隱層節(jié)點數(shù),從而避免了神經網絡結構確定和初始權值選擇的盲目性,提高了神經網絡用于電力系統(tǒng)短期負荷預測的效率和精度使得負荷預測在更加合理的網絡結構上進行.

將bp神經網絡用于電力負荷預測。給出了具體的數(shù)據處理方法、神經網絡構造及預測結果評價方法。在南京市夏季電力負荷統(tǒng)計數(shù)據集上面的實驗結果表明,bp神經網絡能夠對電力負荷進行較好地預測。

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。

討論如何利用人工神經網絡進行電力系統(tǒng)短期負荷預測。研究結果表明:基于bp神經網絡的短期電力負荷預測具有精度高的特點,符合預測結果的相對誤差小于3.06%。

針對電力系統(tǒng)短期負荷預測的特點,以及人工神經網絡的自學習和復雜的非線性擬合能力,將人工神經網絡的bp、elman、rbf三種模型用于短期負荷預測,建立了短期電力負荷預測模型,綜合考慮氣象、天氣等影響負荷因素進行短期負荷預測。某電網實際預測結果表明,rbf比bp、elman有更好的預測精度,更快的速度。

電力負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),而神經網絡僅僅對已學習過的模式具有較好的范化能力。為提高神經網絡的負荷預測精度,提出先對原始負荷序列進行差分運算以除去其周期性影響,然后依據相似性原理建立rbf神經網絡預測模型,仿真實驗表明采用該方法短期負荷預測精度有所改善。

根據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,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.

采用基于混沌算法的自適應預測模型進行電力系統(tǒng)短期負荷預測,通過進化算法建立一種自適應機制,使得網絡能夠根據學習和訓練的結果優(yōu)化非線性反饋項。算例表明,該算法具有很強的自適應能力和魯棒性,預測精度高。

負荷預測是電力規(guī)劃的基礎,傳統(tǒng)的神經網絡預測方法存在對初始網絡權值設置敏感、收斂的速度慢、容易陷入局部極小值等缺點。文中引入遺傳算法先對神經網絡的初始值進行優(yōu)化,再通過神經網絡進行學習和訓練,得出的結果再經bagging方法集成,目的是提高其準確率。通過matlab仿真進行實驗,結果表明,基于bagging算法集成遺傳神經網絡,能夠克服傳統(tǒng)bp神經網絡的缺點,可較快收斂又不易陷入到局部極值中,具有較強的泛化能力,同時也大大提高了網絡的預測精度。

針對供熱系統(tǒng)供熱量和需熱量不匹配的問題和節(jié)能降耗的需求,提出一種基于改進神經網絡的供熱系統(tǒng)短期熱負荷滾動預測方法。該方法利用動態(tài)的k-均值聚類算法確定rbf神經網絡的隱含層中心,以實現(xiàn)對聚類中心的個數(shù)優(yōu)化選擇,再利用遞歸正交最小二乘法更新網絡連接的權系數(shù),訓練rbf神經網絡模型。每次預測時用實時數(shù)據更新一部分歷史數(shù)據從而組成新的輸入,再用訓練模型預測下一時刻的熱負荷,用于實現(xiàn)熱網熱負荷短期滾動預測。仿真結果表明,該方法與傳統(tǒng)的神經網絡預測方法相比,預測精度高,對熱網系統(tǒng)短期熱負荷具有良好的預測能力,能給熱網控制器提供可靠的數(shù)據,使熱網供熱量和需求量相匹配,滿足節(jié)能降耗的需求,具有一定的工程實用價值。

小波神經網絡是建立在小波理論基礎上的一種新型前饋神經網絡,具有許多優(yōu)良特性。本文分析了小波神經網絡的特點,建立了電力負荷的小波神經網絡預測模型,設計了小波神經網絡結構,給出了小波網絡參數(shù)調節(jié)算法。對實際電力負荷預測算例,以及與bp網絡的對比研究實驗表明,小波神經網絡對非平穩(wěn)信號能進行有效地預測,比bp神經網絡具有更高的預測精度。

為了減小電力負荷預測中的誤差,提出了基于rbf神經網絡的電力負荷預測模型.介紹了負荷序列的相似度預測模型,并在此基礎上采用了rbf網絡對負荷波動值的誤差糾正.通過運用實際電力負荷數(shù)據進行驗證,該模型能較好地避免不良數(shù)據的干擾,有效地提高了負荷序列的預測精度.

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)據進行排序,然后選擇與預測時刻相似度較相近的數(shù)據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。

電力系統(tǒng)短期負荷預測是保證電力系統(tǒng)安全經濟運行和實現(xiàn)電網科學管理及調度的重要依據,目前的電力系統(tǒng)短期負荷預測方法存在著一些不足。提出了基于人工神經網絡與主分量分析的短期負荷預測方法,在試驗中分別采用該方法和單一的人工神經網絡對遼寧省某電網的短期負荷進行了預測,試驗結果表明本文提出的方法與單一的人工神經網絡預測法相比,不但減少了預測的時間,而且避免了過擬合現(xiàn)象,提高了預測精度。

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。

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。

負荷預測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎,對于電力系統(tǒng)的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡,具有良好的函數(shù)逼近性能,已被廣泛應用到電力負荷預測中,并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法,對存在的問題進行了分析,并對未來的發(fā)展進行了展望。