国际先进研究期刊》的研究在电子、电子、仪表工程
菜单ISSN在线(2278 - 8875)打印(2320 - 3765)
ISSN在线(2278 - 8875)打印(2320 - 3765)
Ahmad Shakeeb1,Bhawesh Kr Bharti2,阿文德•库马尔3普拉萨德,Bimlesh4,L.Ramesh教授5
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
改善STLF以来一直引起人们的关注对负荷预测的起源让众多数量的决策过程。金融电子停电的影响是非常深远的供应商和消费者。多重代理系统电力负荷预测,尤其适合参与分销系统,模拟不同的社会动态。在座的我们也综合智能电网短期负荷预测方法相结合,一种新颖的方法,使我们能够获得一个全球预后总结复合个人的预测负荷。本文采取一个简单的模型来估计需求和司机的变量之间的关系。各种类型的结果STLF和错误计算。后的结论
介绍 |
| 解决短期预测问题的决策过程是至关重要的任何电力。在过去的二十年里,各种各样的方法提出了由于STLF的重要性。在这些有效的方法是少的。负荷预测第一次线性的参数无法获得所需的不同。现在给预测的实际参数不同的非线性模糊逻辑方法和基于神经网络的方法。 |
| NN和读者都普遍接近者识别的能力和逼近非线性独立(输入)和依赖之间的关系(任务)变量任意程度的准确性。这些模型预测的流行是由于他们普遍近似能力,得到的优秀的学习能力,FLS的能力同时处理定量/定性和不确定性的信息。这两个模型类型表示的最佳选择建模、预测,预测的目的,因为它可以适应任何类型的条件。 |
| 当我们硬币智慧这个词的意思是有效的人工智能领域的负荷预测方法。当我们使用情报的工具如模糊逻辑、神经网络,佩特里网和演化算法在设计负荷预测控制,那么历史上这一领域一直被称为智能负荷预测。 |
| 有三个方面的情报: |
| 我。聪明的观察,数据分析 |
| 二世。智能预测系统识别 |
| 三世。智能交互——自适应控制 |
| 当我们设计任何非线性和线性技术我们必须关注模型的不确定性(来源于数学模型),系统自适应地改变变量及其分布。 |
| 负荷预测,首先我们定义负载:负载电路中是通用的术语,将权力可以相差很大。系统负载是一个随机非平稳过程由成千上万的单个组件。系统负载行为受到很多因素的影响,可分为:经济因素,时间,天,季节,天气和随机效应。负荷预测可以被认为是一组过程、活动和工具集用于创建支持业务决策的各种负荷预测。 |
| 预测负荷预测我们使用工具如负载曲线和负载特性。就像我们收集了数据TNEB(泰米尔纳德邦电力董事会)Chengalpattu功耗。日负荷曲线如下: |
 |
| 负载的负载曲线给出了信息电站在不同运行几小时或一天或几个月,最大需求(曲线的峰值)、能源(曲线下的面积),负荷系数和平均负荷。 |
| 典型的季节性的工作日TNEB负载概要如下: |
 |
数学建模 |
| 时间序列的行为或过程在过去和它的数学建模,以便未来可以提取。电力系统中使用的典型曲线预测: |
 |
| 上面使用的系数回归系数。在大多数情况下,线性依赖给最好的结果。但在实际情况下线性并不满足加载行为。我们需要去评估负荷预测非线性负载曲线和特征。 |
| 基本负荷预测有两个广泛的分类: |
| 我统计情报方法 |
| 二世。人工智能方法 |
| 三世。数据挖掘方法 |
| 只有先进的统计和人工智能方法被认为是现在很受欢迎。 |
| 各种统计情报的方法是: |
| 一)回归方法 |
| b)乘以系列 |
| 各种人工智能方法是: |
| )神经网络方法 |
| b)模糊逻辑方法 |
| c)基于知识的专家系统 |
| d)佩特里网系统 |
| 进步的一些流行的系统如下: |
| 1。回归方法 |
| Mbamalu和El-Hawary(1993)使用了下列负荷模型应用分析: |
 |
 |
| 数据分析程序允许的选择多项式的变量的影响程度从1卡车。在大多数情况下,线性依赖给最好的结果。Moghram和拉赫曼(1989)评估这个模型,并与其他模型进行24小时负荷预测。诺曼(1990)利用回归模型数据和检查的季节性变化。模型由Papalexopulos和Hesterberg(1990)产生一个初始每日峰值预测,然后使用这个初始峰值预测每小时产生最初的预期。 |
| 在下一步中,它使用初始的最大小时预报,最近的初始峰值预测误差,在回归模型和指数平滑误差变量产生峰值预测调整。海达和Muto(1994)提出了一个回归日常高峰负荷预测方法和转换技术。他们的方法使用一个回归模型预测额定负载和一个学习的方法来预测剩余负载。海达(1998)扩展这个模型通过引入两个trendprocessing技术旨在减少错误在过渡季节。取消删除分年度增长趋势或部门,而评估评估增长趋势的变量变换技术。瓦拉丁与和Makram(1996)用最小二乘方法确定和量化不同类型的负荷在电力线路和变电站。海德和Hodnett(1997)提出了一个weather-load模型来预测负荷对爱尔兰的电力供应系统的需求。包括天气的影响,模型被开发利用历史负荷和天气数据的回归分析。海德和Hodnett (1997 b)后来开发一个灵活的1-day-ahead回归模型预测,这身份weather-insensitive和敏感负荷组件。使用线性回归过去的数据来估计两个组件的参数。 Broadwater et al. (1997) used their new regression-based method, Nonlinear Load Research Estimator (NLRE), to forecast load for four substations in Arkansas, USA. This method predicts load as a function of customer class, month and type of day. Al-Garni (1997) developed a regression model of electric energy consumption in Eastern Saudi Arabia as a function of weather data, solar radiation, population and per capita gross domestic product. Variable selection is carried out using the stepping-regression method, while model adequacy is evaluated by residual analysis. The nonparametric regression model of Charytoniuk (1998) constructs a probability density function of the load and load effecting factors. The model produces the forecast as a conditional expectation of the load given the time, weather and other explanatory variables, such as the average of past actual loads and the size of the neighborhood. Alfares and Nazeeruddin (1999) presented a regression-based daily peak load forecasting method for a whole year including holidays. To forecast load precisely throughout a year, different seasonal factors that effect load differently in different seasons are considered. In the winter season, average wind chill factor is added as an explanatory variable in addition to the explanatory variables used in the summer model. In transitional seasons such as spring and Fall, the transformation technique is used. Finally for holidays, a holiday effect load 24 H. K. Alfares and M. Nazeeruddin is deducted from normal load to estimate the actual holiday load better. |
| 1999年之后时间序列有一个大国发挥完成和回归给汽车的方式回归,因为我们需要一个智能控制。进化算法是由回归方法,但并不是很成功。 |
预览结果: |
| C-GRNN是开发与软件MATLAB的神经网络工具箱。是NEWGRNN使用的函数。M-GRNN和MR-GRNN开发在MATLAB的神经网络工具箱的使用。所有的系统都是训练有素的相同的训练数据集,并对他们来说,传统的传播和修改参数grnn选择使用过程。修改GRNN,样本的数量设置为50。的过程来减少输入GRNN GRNN是仅适用于修改。决定保留信息个月和假期(分别输入1和7),用最少的六个输入。在训练克之前,当地大量的训练数据集预处理使用[20]提出的滤波器。滤波器的参数是传播0.1,公差误差30%,和一个加三个样品。全球负载,结果仅为讨论三种不同的预测。 For the local loads, the results were obtained for the LLF and PFF for the three different forecasters: C-GRNN, M-GRNN, and MR-GRNN. The MAPE was calculated for the forecasts of conventional days (total of 7 forecasted, 08-01-2009 to 14-01-2009) and the holidays (total of two forecasted, 26-01-2009 and 06- 02-2009). The time spent for each forecaster to forecast one day was measured. The time spent for training the GRNN was very small, considering that it was just memory allocation. |
答:全球负载 |
| 的地图获得全球传统负荷预测与预报员CGRNN天假期,M-GRNN, MR-GRNN和所花费的平均时间为每个全球负载预报员预测一天,如表4所示,图4。全球的负荷预测。 |
| 的输入配置MR-GRNN V表中可以看到,在对应的主动输入和零对应活动的输入。全球负荷预测可以观察到在图4。表4中,传统天MRGRNN获得最好的结果的预测,但对于假期,最好的结果是C-GRNN和M-GRNN实现。这些结果表明,传统的天,可以实现更好的结果通过使用M-GRNN和通过减少输入的数量。度假,最好考虑所有的十个输入。表4中,可以观察到一个预报员预测的平均时间一天很低,低于0.01。然而,它可以指出M-GRNN,当C-GRNN,减少了近六倍。输入配置获得MR-GRNN表明输入6,9日和10对全球负荷预测不是很相关,这意味着它可以省略了日光节约时间和信息的值最大和最小负荷。 |
b .本地加载 |
| 局部负荷预测方法:映射为本地负荷预测得到常规的日子里获得的里夫方法预测C-GRNN, M-GRNN, MR-GRNN,和所花费的平均时间预报员预测一天为每个局部负荷预测见表六世。输入的配置表中给出了MR-GRNNs七世,在对应的主动输入和零对应活动的输入。当地的负荷预测变电站# 03在图5。里夫方法,更好的结果实现了CGRNN, M-GRNN和MR-GRNN紧随其后。平均时间为一个预报员预测一天也表明M-GRNN能够更快地提供准确的结果。 |
 |
 |
| 输入配置得到MR-GRNNs表明,在某些情况下,可以减少输入,减少在其他情况下,这是不明智的(例如,变电站#和# 3日08年)。 |
| 2)讨论方法:映射为本地负荷预测得到的传统日子里获得了与预报员CGRNN讨论方法,M-GRNN, MR-GRNN,所花费的平均时间为一个预报员预测一天为每个局部负荷预测表八世所示。第九MR-GRNNs的输入配置表所示,对应的积极投入,零对应活动的输入。当地的负荷预测变电站# 03在图6。讨论的方法,更好的结果实现了M-GRNN, MR-GRNN和C-GRNN紧随其后。这个方法的局部载荷取决于全球负荷预测,在这种情况下,它意味着更好的结果可以通过减少全球负荷预测错误。平均时间为一个预报员预测一天也表明M-GRNN能够更快地提供准确的结果。输入配置得到MR-GRNNs表明,在某些情况下,可以减少输入的数量,减少在其他情况下,这是不明智的(如变电站# 1,# 5,# 08年)。 |
结论 |
| 本文提出了修改在C-GRNN和过程来减少输入STMLF GRNN的。试验是开展活动的九个新西兰电力变电站的两种方法,即讨论和里夫,对于三种不同的预测,即CGRNN M-GRNN, MR-GRNN。M-GRNN被发现有优势C-GRNN保持同样的特点,如良好的泛化能力,稳定,在一个演讲和培训的训练数据集,能够提供更快的预测。MR-GRNN被发现有能力减少输入的数量,避免冗余,在某些情况下可能会影响结果。设计神经网络的输入,先前的研究当地的负荷并不是必要的,从而减少STMLF的复杂性问题。获得的结果也只使用2007年和2008年的头三个月,2007年和2008年的前六个月,在训练数据集。获得的地图几乎是相同的,表明这些系统是非常健壮的可能性增加训练数据集而不失去稳定。在大多数情况下,每日高峰值没有被正确预测。这是因为GRNN估计基于回归,所以高峰值有时仍低于他们真的是。为了纠正这一点,可以使用预处理数据和过滤根据[18]所提出的和一个小增益也可以应用来弥补这一需求。 This gain can be calculated from previous loads, or it can also be estimated by a GRNN designed to perform this task. It does not pose a problem at all and it does not limit the usefulness of the model. The studies performed in the New Zealand system loads can be performed in any system; consequently, the applicability is possible in any system since the data are available. The proposed systems are robust and very fast and are able to work in real-time operation. It is considered that future works effectuate STMLF by using other neural networks, especially with the ART family, which has already been done for global load forecasting. |
2。次系列: |
| 时间序列方法是基于假设的数据有一个内部结构,如自相关、趋势或季节性变化。检测的方法,探索这样一个结构与短期负荷预测的基本概念。 |
| 时间序列已经使用了几十年在经济学等领域,数字信号处理,以及电力负荷预测。已经观察到独特的模式有关的能源需求快速增长的地区很难直接应用时间序列分析和预测方法。然而,这些方法似乎是最受欢迎的方法,应用和STLF仍被应用。使用时间序列的方法,首先开发了一个模型基于之前的数据,然后未来负荷预测是基于这个模型。 |
| 一些时间序列模型用于负荷预测如下:。 |
2.1。自回归(AR)模型 |
| 如果负载被假定为一个线性组合的前负荷,然后自回归(AR)模型可以用来模拟加载配置文件,这是由刘(1996): |
 |
| = 1……m是未知系数,和(4)是秩序的AR模型m。未知系数(4)可以通过调优在线使用著名的Mbamalu最小均方(LMS)算法和El-Hawary (1993)。提出的算法卜(1995)包括一个自适应自回归建模技术提高部分自相关分析。黄(1997)提出了一个自回归模型的最优阈值分层算法。该算法确定所需的最小数量的参数代表随机分量,消除主观判断,提高预测精度。赵(1997)开发两个期刊自回归(PAR)每小时负荷预测模型。 |
2.2。自回归移动平均(ARMA)模型 |
| ARMA模型中的时间序列的当前值y (t)表示线性在前一时期的值(y y (t - 1), (2)…………),前值的白噪声((t)、(t - 1…]。订单的ARMA (p, q),模型写成: |
| y (t) =ø1y (t - 1) +……+øpy (t - p) + (t) - 1 a (t - 1)………qa (t-q)。 |
| 一般ARMA模型的参数识别可以通过递归计划,或使用maximumlikelihood方法,基本上是一个非线性回归算法。诺曼(1992)提出了一个新的timetemperature方法进行负荷预测。在这种方法中,每月的高峰需求的原始时间序列分解为确定性和随机加载组件,后者由一个ARMA模型。风扇和麦当劳(1994)使用WRLS(加权递归最小二乘)算法来更新参数自适应的ARMA模型。陈(1995)使用一种自适应负荷预测ARMA模型,使用可用的预测错误的更新模型。使用最小均方误差学习系数,推导出误差自适应方案优于传统的ARMA模型。 |
2.3。自回归整合移动平均(ARIMA)模型 |
如果这个过程是不稳定的,那么转换系列的固定形式必须首先完成。这种转换可以由差分执行的 |
| Elrazaz提出的过程和Mazi组件(1989)使用趋势预测系统负荷的增长,天气参数预测天气敏感负荷组件,和ARIMA模型产生的non-weather循环分量每周峰值负载。Barakat et al。(1990)使用一种季节性ARIMA模型对历史数据来预测负荷季节性变化。Juberias(1999)开发了一种实时负荷预测。ARIMA模型,包括气象影响作为解释变量。 |
2.4基于遗传算法的ARMAX模型 |
| 遗传算法(GA)或进化编程(EP)的方法是用来识别与外生变量的自回归移动平均(ARMAX)负荷需求预测模型。通过模拟自然进化过程,该算法收敛的全局极值的能力提供一个复杂的表面误差。它是一个全球性的搜索技术,模拟自然进化过程,是一个随机优化算法。由于遗传算法同时评估许多点在搜索空间和不需要假设搜索空间是可微的或单峰,它能够渐近收敛到全局最优解,从而可以提高模型的拟合精度。GA过程简要描述的总体方案。整型或实值变量来确定遗传算法的表示为Ddimensional矢量P健身f (P)的分配。k父向量的初始种群π,i = 1……, k,是产生一个随机生成的范围在每个维度。每个父母向量生成一个后代通过合并(交叉)或修改(突变)个体在当前人口。因此,2 k的新个体。其中,k个人随机选择,具有较高的概率选择那些最好的健身价值,成为下一代的新父母。 This process is repeated until f is not improved or the maximum number of generations is reached. Yang (1996) described the system load model in the following ARMAX form: |
 |
| 模型是制定为一个组合优化问题,然后通过结合启发式和进化编程解决。马(1995)使用遗传算法和新开发的知识增强mutation-like运营商称为强迫突变。李(1997)遗传算法用于长期负荷预测,假设不同的函数形式和比较结果与回归。 |
仿真结果 |
 |
| 研究负荷预测的实际情况之前,让我们先应用提出了RME方法在合成过程为了比较它与广义Mestimates和过滤后的估计。通用汽车估计选择因为他们在电力系统的广泛使用。统计文献中,过滤后的估计是新开发健壮的ARMA模型的估计。他们提供高击穿点的效率高为0.95 50%。他们在书中提出了Maronna et al . [3]。Maronna等人推荐使用它们,因为他们保证常态下的一个良好的鲁棒性和效率之间的权衡。我们研究参数估计的离群值的影响。均值、标准偏差和均方误差的参数使用蒙特卡罗模拟和计算表ii iii。蒙特卡洛由100年产生AR(1)和ARMA(1,1)过程的长度为1000不同的声音。噪音遵循一个高斯分布(0,1)。 The positions of outliers are chosen randomly. The percentage of outliers is denoted by . The mean, standard deviation and the mean squared error of the estimated parameters |
 |
| 表2说明了两个自回归模型的结果。的离群值生成一个质点在4。表显示了RME的健壮性。RME执行最适合Φ= 0.3。在Φ= 0.8,略优于RME的过滤。表III是获得使用异常值从一个高斯i.i.d.过程生成N (0, 4)。在这种情况下,异常值不是很大,中包含大量的数据。这意味着一个特定的困难来检测通过西格玛规则。从表三世,我们得出这样的结论:RME-based估计量,估计有相同的过滤性能和最好的估计,因为他们有最小均方误差(MSE)。然而,我们更喜欢RME的过滤由于其简单性和短时间内执行。 The relative computing times of the RME and filtered are respectively 1 and 2. The RME is a quicker executing method than the filtered . The algorithm previously defined is also much easier to program than the algorithm of the filtered [3]. The GM is better than the LS (least squares estimator) which is natural since the LS is not robust. |
应用程序加载时间序列预测 |
| 本部分介绍研究的实际案例,来验证该方法的有效性。在这种情况下,它的优点是简单,鲁棒性和快速执行和实现在线估计和预测的目的。预测负荷时间序列使用SARIMA模型广泛用于文献[13],[14]。RTE的传播算子,法国电力传输系统管理和运营面临异常值的存在在法国日常电力消耗。RTE在其日常使用SARIMA模型预测。系列展览趋势和几个主要的周期(每天、每周、季节性,每年,等等)。一个图显示了从周六July2加载需求,2005年到2005年7月25日,星期一。自7月14日是一个国家的节日来纪念攻占巴士底狱,有一个打破出现在周四周五14和15(大约从600年观察到700)。盘中的数据集由一边负载系列从2月1日,2004年6月14日,2005年。我们认为48系列相应的负载需求在不同的时间。 Each series has 600 observations. 500 being used for estimating the model and 100 for out-of-sample evaluation. Another figure displays the one-week differentiated load time seriesat 07:00 in 2005, which is given by for , where is the consumption of the day at 07:00.We notice the presence of spikes at some sampling times, which are represented by circles in the figure. Called breaks or outliers in statistics, these spikes stem from the abrupt changes in the differentiated load series from one day to the other over one week. Online records and archives of total power consumption in metropolitan France (excluding Corsica) is provided by RTE [15]. The data used can be downloaded online. The load time series is first corrected from the influence of the weather by using a regression model where the exploratory variables are the temperature and the nebulosity. Then an ARIMA model is fitted to the residuals. A seasonal ARIMA model, SARIMA(p,d,q) (p1,d1,q1)follow the equation: |
 |
| 操作符。 |
| maximum-likelihood-based古典方法应用后删除的不寻常的观察“西格玛”规则,拒绝用厘米。“threesigma”规则在于拒绝观察边远超出三倍的强劲稳健估计的估计标准偏差趋势(中部)的时间序列。负载系列等夜间02:00不是由非工作时间或其他污染事件发生。曲线证实RME-based和过滤效率高的估计性能与CM。然后表演不同的系列。这是很正常的,因为有些时间是比其他人更受污染。在图7中(a),我们绘制分位数 |
 |
| RME的残差的绝对值和CM系列10点的方法。图7 (b)分位数小于0.7的缩放。看到的是RME-based估计收益率最小的分位数,从而给最适合的大部分数据。我们的话,剩余的一小部分获得RME-based估计量是非常大的。这些残差对应的离群值。 |
3.。神经网络方法: |
| 使用人工神经网络(ANN或者只是NN)自1990年以来广泛研究负荷预测技术。神经网络本质上是非线性电路,证明了非线性曲线拟合能力。 |
| 人工神经网络的输出是输入的线性或非线性的数学函数。其他网络元素的输入可能是输出以及实际网络的输入。在实践中网络元素排列在一个相对较小的网络之间的连接层的元素数量的输入和输出。有时使用反馈路径。 |
| 应用神经网络负荷预测,一个人必须选择一个数量的架构(例如Hopfield,反向传播,玻耳兹曼机),和元素的数量和连接层,使用双向或单向链接和数字格式(如二进制或连续)使用输入和输出。 |
| 最受欢迎的负荷预测是反向传播人工神经网络架构。这个网络使用连续价值函数和监督学习。在监督学习,实际数值权重分配给元素匹配输入是由历史数据(如时间和天气)所需的输出(如历史负荷)在前运算“训练”。人工神经网络与无监督学习不需要预操作培训。 |
| Bakirtzis开发了基于ANN的短期负荷预测模型的能量控制中心希腊公共电力公司。在开发他们使用一个完全连接的三层前馈神经网络和反向传播算法用于训练。输入变量包括每小时负荷历史数据,温度,一周的日子。模型可以预测加载配置文件从1到7天。还Papalexopoulos开发和实现了一个多层前馈神经网络短期负荷预测系统。在模型中threeBakirtzis开发了基于ANN的短期负荷预测模型的能量控制中心希腊公共电力公司。在开发他们使用一个完全连接的三层前馈神经网络和反向传播算法用于训练。输入变量包括每小时负荷历史数据,温度,一周的日子。模型可以预测加载配置文件从1到7天。还Papalexopoulos开发和实现了一个多层前馈神经网络短期负荷预测系统。 In the model three types of variables are used as inputs to the neural networks: seasonal related inputs, weather related inputs, and historical loads. Khotanzad described a load forecasting system known as ANNSTLF. It is based on multiple ANN strategy that captures various trends in the data. In the development they used a multilayer perceptron trained with an error back propagation algorithm. ANNSTLF can consider the effect of temperature and relative humidity on the load. It also contains forecasters that can generate the hourly temperature and relative humidity forecasts needed by the system. An improvement of the above system was described in one of the paper. |
| 在新一代,ANNSTLF包括两个安预测:预测基本负荷和另一个预测负荷的变化。计算最终的预测,这些预测的自适应组合。湿度和风速的影响被认为是通过温度的一个线性变换。据报道,ANNSTLF被使用的35公用事业在美国和加拿大。陈还开发了一个完全连接的三层前馈神经网络和反向传播算法被用来作为训练方法。他们安虽然认为电价系统负载的主要特征之一。许多发表的研究使用人工神经网络结合其他技术,如时间序列预测和模糊逻辑。 |
3. b。模糊逻辑 |
| 众所周知,重心去模糊化的模糊逻辑系统可以识别和近似任何未知动态系统(在这种情况下负载)紧集上的任意精度。刘(1996)观察到一个模糊逻辑系统画画很有能力从巨大的数据相似之处。输入数据的相似性(L - i - 10)可以被不同的一阶差异(Vk)和二阶(Ak)的差异,它被定义为: |
 |
| 模糊基于逻辑的预报员在两个阶段:训练和在线预测。在训练阶段,使用计量历史负荷数据训练2 m-input, 2 n个输出基于模糊逻辑的预报员生成模式数据库和一个模糊规则库通过使用第一和secondorder数据的差异。经过足够的训练,这将是与一个控制器在线预测的负载变化。如果一个最有可能找到匹配可能性最高的模式,然后将生成一个输出模式通过质心defuzzifier。 |
| 许多技术已经开发代表负载模型的模糊条件语句。徐(1992)提供了一个专家系统利用模糊集理论STLF。专家系统是用来做更新功能。短期预测和评估执行在台湾电力系统。之后,梁和许(1994)的模糊线性规划模型制定发电调度问题,代表不确定性预测使用模糊集和输入数据符号。Al-Anbuky(1995)讨论了模糊逻辑的实现提供一个结构框架表示方法,操纵和利用有关权力的预测数据和信息的承诺。神经网络用于容纳和处理大量的传感器数据。 |
| Srinivasan(1992)使用混合模糊神经技术预测负载。这种技术结合了神经网络建模从模糊逻辑与模糊集理论和技术。模型后来被增强了破折号(1995)。这种混合方法可以准确地预测在工作日,公共假期,和天公共假日之前和之后。Srinivasan的工作基础上,破折号(1995)提出了两个模糊神经网络(NN)模型的模糊分类的模式。第一个网络使用过去的语言属性的成员值加载和气象参数,网络被定义为输出的模糊预测加载的类成员值。第二个网络是基于这样一个事实,任何专家系统可以表示为一个前馈神经网络。森和小林(1996)利用模糊推理的方法开发了一个STLF的非线性优化模型,其目标是最小化模型错误。寻找最佳解决方案是由模拟退火和最速下降法。破折号(1996)使用一种混合的方案结合模糊逻辑与神经网络和专家系统负荷预测。 Fuzzy load values are inputs to the neural network, and the output is corrected by a fuzzy rule inference mechanism. Ramirez-Rosado and Dominguez- Navarro (1996) formulated a fuzzy model of the optimal planning problem of electric energy. Computer tests indicated that this approach outperforms classical deterministic models because it is able to represent the intrinsic uncertainty of the process. Chow and Tram (1997) presented a fuzzy logic methodology for combining information used in spatial load forecasting, which predicts both the magnitudes and locations of future electric loads. The load growth in different locations depends on multiple, conflicting factors, such as distance to highway, distance to electric poles, and costs. Therefore, Chow (1998) applied a fuzzy, multi-objective model to spatial load forecasting. The fuzzy logic approach proposed by Senjyu (1998) for next-day load forecasting offers three advantages. These are namely the ability to |
| (1)处理非线性曲线, |
| (2)预测类型和不考虑一天 |
| (3)提供准确的预测hard-to-model情况。 |
| 森(1999)提出了一种模糊推理STLF模型在电力系统。他们与监督学习方法使用禁忌搜索优化推理结构(即数量和位置的模糊隶属度函数)最小化预测错误。吴和陆(1999)提出了一个替代传统的试错法来确定模糊隶属度函数。使用一个自动模式识别,利用方差分析,集群估计和递归最小二乘法。Mastorocostas(1999)应用两阶段STLF方法也使用正交最小二乘(OSL)的模糊识别模型。莲花kumari(1999)结合模糊逻辑与神经网络技术,减少错误和计算时间。Srinivasan(1999)结合三techniques-fuzzy逻辑、神经网络和专家系统在一个高度自动化的混合STLF与非监督学习方法。 |
仿真结果: |
1)数量的配置由SRA评估: |
| 表V显示相对应的解空间的维数不同维度的相关性面具和考虑深度25,49岁,和73年。 |
2)假设与冷杉和STLF SRA: |
| 1)提出的冷杉方法间使用5-NN模糊预测。在本文中,不同的参数值神经网络(4 - 6)。 |
| 2)“α”价值(弹性系数)SRA算法0.92 |
| 训练和测试的最小误差得到使用k = 4,使用配置V8和深度25。 |
 |
 |
3.摄氏度。基于知识的专家系统 |
| 基于规则的预测利用规则,通常启发式在自然界中,做准确的预测。专家系统,包含了人类专家所使用的规则和程序感兴趣领域的软件,然后能够自动做出的预测都不需要人的帮助。 |
| 专家系统等应用程序使用始于1960年的地质勘探和电脑设计。专家系统工作最好当一个人类专家可以为软件开发人员大量的时间在传授专业知识的专家系统软件。此外,专家的知识必须适合编纂到软件规则(即专家必须能够解释他/她的决定过程程序员)。一个专家系统可能编纂成百上千的产生式规则。Ho)提出了一个基于知识的专家系统对台湾电力系统的短期负荷预测。运营商的知识和系统负载的每小时观察过去五年,是用来建立11日类型。天气参数也会考虑。发达算法执行-詹金斯方法比传统的盒子。拉赫曼和Hazim发达siteindependent技术用于短期负荷预测。负载和影响它的因素是知识提取和参数化的规则库。 This rule base is complemented by a parameter database that varies from site to site. The technique was tested in several sites in the United States with low forecasting errors. The load model, the rules, and the parameters presented in the paper have been designed using no specific knowledge about any particular site. The results can be improved if operators at a particular site are consulted. |
3. d。佩特里网系统 |
| PN模型可以方便地用于描述复合系统模型的几个子系统交互。每个子系统与其他子系统通过令牌交换。调度模型中,我们将开发,我们将模型分为三个部分:ISO, genco和伦敦证交所。 |
| genco & ls提交ISO代投标和负载投标,然后分派报价根据绩效投标的价格设定的优先级列表。ISO模式应该是确定的,作为ISO所有可用的信息,如数量的供应和负载的数量和输电线路的能力。genco模型和ls模型随机模拟决策过程中的不确定性。通过交换标记模型的相互作用。 |
| PN模型能够描述“什么——如果”的情况。例如,在战略竞标,发电机所有者可能会问自己这样的问题“如果别人出价高(低)在峰值负载时期,我的报价是什么?”或“如果实时负荷低于预测负荷?“佩特里网模型可以模拟这种情况并提供答案这些“如果”的问题。 |
| 佩特里网广泛应用于离散事件系统的仿真,因为决策系统的基础能源市场是一个离散系统,提供独立的投标人,需要基于优先级调度,利用Petri网来描述信息是合适的。 |
结果与讨论 |
| 提出了一个简单的回归模型,并使用MATLAB仿真软件模拟。每月数据取自TNEB然后放入回归模型。我们获得月度预测STLF的负荷预测。 |
 |
 |
负荷预测图的结论: |
| 不同的技术已经被应用于负荷预测。六个方法综述:(1)回归方法(2)倍系列(3)神经网络方法(4)模糊逻辑方法(5)基于知识的专家系统(6)佩特里网系统。测量所有这些方法后,我们可以观察到清晰的新趋势,随机和动态预测技术。似乎很多目前的研究工作集中于三个这样的方法:模糊逻辑、专家系统,特别是神经网络。还有一个明显的走向混合方法,结合两个或更多的这些技巧。多年来,研究的方向发生了变化,旧的方法替换为新的和e• |
 |
| 有效的。显然由于其有限的成功,许多旧的方法似乎是失宠了。这些包括诸如状态空间方法和卡尔曼滤波模型,在线负荷预测,通过模式识别和预测。也有大大减少强调迭代再加权最小二乘等方法和自适应负荷预测。 |
引用 |
|
