負荷預測是電力系統研究和電網規劃的重要組成部分。采用隱馬爾可夫模型,訓練過程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進行訓練,得到負荷特性預測最優模型,解碼預測過程采用viterbi算法,通過模型可預測下一年地區負荷特性。以廣東電網2011年至2016年負荷數據作為訓練數據對隱馬爾可夫模型進行訓練,并對2017年廣東典型日負荷率進行預測,仿真結果具有較優的準確性和計算效率。

提出了一種基于云模型的電力負荷預測模型。利用云模型中的云發生器,分別將有限的國民生產總值和工業生產總值的增長率和增長變化率樣本數據空間擴充為更具隨機性和普遍性的擴展樣本數據。以國民生產總值為例,建立國民生產總值與電力負荷之間的規則推理,構造云規則推理器。利用云規則推理器獲得電力負荷預測增長率,將國民生產總值和工業生產總值獲得的電力負荷預測增長率進行加權平均,并換算得到最終的電力負荷預測值,獲得的預測結果精度高。

提出了一種基于云模型的電力負荷預測模型.利用云模型中的云發生器,分別將有限的國民生產總值和工業生產總值的增長率和增長變化率樣本數據空間擴充為更具隨機性和普遍性的擴展樣本數據.以國民生產總值為例,建立國民生產總值與電力負荷之間的規則推理,構造云規則推理器.利用云規則推理器獲得電力負荷預測增長率,將國民生產總值和工業生產總值獲得的電力負荷預測增長率進行加權平均,并換算得到最終的電力負荷預測值,獲得的預測結果精度高.

針對小樣本數據,提出基于gm(1,1)模型進行電力負荷預測模型,并通過實例表明該模型在電力負荷預測中的可行性;開發了基于gm(1,1)模型的電力負荷預測系統,實現了在實際工作中所要求的數據錄入、查詢、分析和預測功能。

針對bp模型的計算量大,收斂速度慢等缺點,本文提出了三種改進的bp模型,大大加快了收斂速度,提高了收斂性。并用實際數據對這三種改進模型進行了訓練,實例證明了這些改進模型是有效的、可行的。

燃氣短期負荷預測的小波分析綜合模型——城市燃氣負荷預測對于保證燃氣企業的供氣安全、優化調度等具有重要意義。燃氣負荷受天氣、溫度、節假目及一些隨機因素等影響，很難建立準確的預測模型。為此，根據h市燃氣短期目負荷變化特點，提出了用于燃氣短期負荷預...

為改善蓄冰中央空調系統控制性能及提高能效,開發了一種基于遺傳算法的廣義回歸神經網絡模型,用于預測蓄冰中央空調逐時冷負荷.該模型以前一日已知的24h室外溫度為輸入,以次日逐時冷負荷為輸出,在遺傳算法尋優網絡平滑因子時,以均方差最小構造適應度函數.該模型克服了利用梯度下降法優化平滑因子時易陷入局部極值的缺點,通過對負荷預測值和計算值的比較分析驗證了模型的有效性和精度,可用于蓄冰空調系統的動態優化控制.

針對傳統的灰色模型在負荷增長速度較快時預測精度低的問題,提出了采用交叉遺傳粒子群優化算法代替最小二乘法來優化gm(1,1)模型中參數a、b的方法;介紹了灰色預測原理及其數學模型、cgpso算法及基于cgpso算法的優化灰色模型,并根據實際負荷數據進行了仿真實驗。結果表明,在負荷增長速度較快時,優化灰色模型的預測精度明顯高于gm(1,1)模型,能夠應用于電力系統的中長期負荷預測,拓展了灰色模型的適用范圍。

灰色系統是部分信息已知、部分信息未知的系統。灰色系統把一般系統理論、信息控制的觀點和方法延伸到社會、經濟等廣義系統，灰色系統理論能更準確地描述社會經濟系統的狀態和行為。研究基于灰色系統理論的灰色預測模型，對社會經濟系統預測具有重要的意義。由于用電負荷增長情況受經濟發展、產業機構、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個灰色系統。

方法的選擇對電力負荷預測結果至關重要,本文通過對x(1)(1)增加干擾因素β,實現對初始值的優化,較已有研究文獻使用x(1)(n)+β方法更加便于理解,保持運算前后一致,同時,改進背景值的設置。通過實例驗證,此方法可以在負荷預測上得到很好的應用,提高預測精度。

精確的年電力負荷預測為電力建設和電網運行提供可靠的指導。受多種因素的影響,年電力負荷曲線呈現出非線性特性,因此年電力負荷預測問題的解決需要建立在非線性模型的基礎之上。廣義回歸神經網絡（grnn）已被證明在處理非線性問題上是非常有效的。該網絡只有一個擴展參數,如何確定適當的擴展參數是使用grnn進行預測的關鍵點。提出了一種將多種群的果蠅優化算法（mfoa）和grnn相結合的混合年電力負荷預測模型,用以解決上述問題。其中,mfoa用作為grnn電力負荷預測模型選擇適當的擴展參數。最后通過模擬實驗數據分析,mfoa-grnn模型的年電力負荷預測平均絕對百分比誤差為0.510%,均方誤差為0.281。并且將其結果與差分進化的支持向量機模型（de-svm）、粒子群優化的grnn模型（pso-grnn）、以及果蠅優化的grnn模型（foa-grnn）的預測結果進行了比較。最終得出,文中所提出的mfoa-grnn模型在年電力負荷預測中的預測性能優于上述3種模型。

研究變風量空調負荷準確預測問題,由于變風量空調系統可根據負荷的需求動態改變送風量,變風量空調大系統穩態優化控制策略可以使系統節能高效運行,為準確預測負荷,優化系統,首先分析了影響負荷預測的主要因素,對溫度、相對濕度的預測模型進行改進,提出了一種自適應擾動粒子群算法的bp神經網絡的空調負荷預測模型,加快粒子群算法的收斂速度,提高了空調負荷的預測精度。通過仿真比較,驗證了模型在空調負荷預測中的有效性。

空調系統的負荷與諸多影響因素之間是一種多變量、強耦合、嚴重非線性的關系,且這種關系具有動態性,因而傳統方法的預測精度不高。而動態回歸神經網絡能更生動、更直接地反映系統的動態特性。針對這個特點,建立了基于elman型神經網絡的空調負荷預測模型,并進行了實例預測。文中還比較了elman網絡和bp網絡結構的建模效果,仿真實驗證明了elman神經網絡具有動態特性好、逼近速度快、精度高等特點,說明elman網絡是一種新穎、可靠的負荷預測方法。

將發電站視為本征性灰色系統,對電力負荷建立灰色預測模型,并根據實際結果對原始模型進行優化。使用序列平移、殘差校正、等維新息等方法提高了模型的精度。在實際應用中證明了預測結果的可信度

基于正交設計和灰色系統理論,提出一種預測年電力負荷的新方法。采用新陳代謝技術和加權最小二乘參數辨識法對標準gm(1,1)模型進行改進。以背景值系數α、建模所需數據個數m和加權參數q作為可控因素,根據專家經驗設計了三因素三水平正交表。以平均絕對百分比誤差為輸出目標,通過信噪比分析,得出最優參數水平組合,并通過方差分析,進一步得出各可控因素對預測效果的影響程度。對2個電網的負荷進行預測,結果驗證了所提方法的可行性和有效性。

中長期電力負荷預測是規劃的前提和基礎。以建立線性回歸模型來科學預測電力負荷在未來的變化趨勢及狀態，通過算例分析，得出利用線性回歸模型進行電力學系統中長期負荷預測取得令人滿意的效果。

針對水電企業電力負荷預測的困難,提出了一種將ar模型與t-s模糊神經模型相結合的負荷預測新方法。通過對某水電廠近兩年發電量作的預測表明,該方法具有較好的魯棒性、較高的精度和實用前景

基于空調負荷預測的優化控制是解決冰蓄冷控制問題的理想途徑。本文在分析國際建筑物空調負荷預測競賽研究成果的基礎上指出,利用季節性時間序列模型建模預測精度較高,且工程實施簡便,特別適合于空調系統連續運行、負荷波動規律性較強的建筑物負荷預測。本文概要介紹利用季節性時間序列模型進行建模預測的理論和方法,并通過工程實例驗證了建模方法的有效性。

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據進行排序,然后選擇與預測時刻相似度較相近的數據對未來時刻的負荷利用相似度進行預測,對于出現的誤差,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。

以忻州市1994~2004年用電量數據為例介紹了灰色預測技術在電力系統中的應用,并與忻州市1994年至2004年工農業生產總值(不變價)和同期用電量數據建立的一元線性回歸模型預測結果進行了對比分析,進一步說明了灰色模型預測具有較高的置信度和應用價值。

為了提高超短期負荷預測的精度,通過卡爾曼濾波理論建立了實時調度子系統的超短期負荷預測模型,并用兩種方法對基本模型進行改進。利用電能管理系統記錄的各交易段實際調度負荷和各競價電廠以機組申報的競價數據,預測未來各時段的調度負荷。通過對3種模型所預測出的電力短期負荷預測結果比較,表明對原始數據進行比例變換的預測方法更為理想。

電力系統中每小時負荷具有波動性,為了提高短期電力負荷預測的精度,本文提出第一個改進的基于小波神經網絡的預測模型,此模型應用布谷鳥優化算法對小波神經網絡中的參數進行優化后,再對數據進行預測。通過澳大利亞新南威爾士州的電力負荷數據的分析,與傳統的arima模型相比較,提出的改進模型能夠很好地提高預測精度。