查字网-字源字典字源网-汉字源流-字源字典-chaziwang.cn

负荷预测组合模型成为研究新发展。

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一。

该算法可有效用于电力系统的短期负荷预测。

日负荷预测作为能量管理系统（EMS）的重要组成部分，是电力系统安全、经济运行的保证。

预测结果表明这种改进的控制方式在空调系统的负荷预测方面是有效的、可行的。

我们将所提出的方法用于负荷预测和空间模式分析，取得了较好的效果。

本文主要研究贝叶斯神经网络在电力负荷预测中的利用，论述了电力负荷预测的根本概念和措施。

本文研究的核心就是利用组合预测提高短期电力负荷预测的准确率。

从传统的预测技术，到现在的人工智能技术，各式各样的负荷预测技术不断涌现。

将预测所得线性分量及非线性分量进行小波重构得到最终的高峰负荷预测结果。

本文以全电力推进船舶为研究对象，应用改善的支持向量机（SVM）策略对其进行电力负荷预测。

其次浅析浅析了中长期负荷预测的特点，采用支持向量回归机算法对中长期负荷进行预测。

算例表明：半参数回归模型拟合效果较好，适用于中长期负荷预测；

采用所提方法对某地区实际电网的供电量的历史数据进行了负荷预测，得到了满意的结果。

精确的负荷预测对于电力系统的生产安排、经济调度和安全分析都起着十分重要的作用。

准确的负荷预测有助于提高电力系统的安全性和稳定性，减少发电成本。

农村电力系统负荷预测在农村电网发展规划过程中是一项十分重要的基础性工作。

介绍了支持向量机（SVM）方法及其在短期电力负荷预测中的应用。

它对负荷预测、负荷管理、负荷建模有着重要意义。

可靠的短期负荷预测对保证管网运行安全，进行管网的优化调度，都具有重要的意义；

科学合理的数据处理是提高短期电力负荷预测精度的最基本环节之一。

电力系统的运行、调度和经济负荷分配都需要快速、准确的负荷预测。

影响负荷预测准确性的最主要因素是原始数据的不确定性。

超短期负荷预测通常是指预测一小时之内的电网负荷。

城市燃气负荷预测对于保证燃气企业的供气安全、优化调度等具有重要意义。

结合配电网的特点，提出了配电网的模糊负荷预测方法、模糊潮流算法和模糊优化方法。

实际算例后校验平均百分比误差为2.039%。这表明该方法能有效提高负荷预测精度。

传统负荷预测建模方法无法根据不确定性因素的变动灵活调节模型结构与参数，难以适应当前环境下的负荷需求预测。

坏数据的存在对母线负荷预测的精度有较大影响。

对历史负荷数据进行处理是提高电力系统负荷预测精度首先要解决的问题。

同时，引入负荷预测误差修正之后，可以减少电力公司的支出，有利于电力公司降低由负荷预测误差带来的市场风险。

提出将小波分析和时间序列应用于空调负荷预测；

合理地选择负荷预测策略是用电负荷预测的重要环节。

因此，准确的扩展短期负荷预测是制定滚动发电计划的基础。

根据电网负荷混沌性的特点，提出一种基于模糊支持向量的核回归方法进行电力系统的负荷预测。

一个多层感知使用三个隐藏层是实行负荷预测准确。

选择灰色预测模型，并开发出相应的软件，可作短期负荷预测和中期负荷预测。

科学合理进行数据处理是提高短期电力负荷预测精度的最基本环节之一。

负荷求导法是超短期电力负荷预测的一种新方法。

算例结果表明了所提出方法能有效提高负荷预测的精度。

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益。

最后利用扩展短期负荷预测方法对脏数据进行修正。

本文提出了一种基于序列最小优化算法（SMO）理论的电力系统短期负荷预测方法。

建立了基于支持向量机（SVM）理论的建筑物空调负荷预测模型。

本文首先介绍了常用的短期电力负荷预测策略。

同时，负荷预测工作也是发供电企业做好生产计划的依据。

为电力系统负荷预测实际工作提供了新技术，亦具有较大的应用价值。

基于互联网的神经网络空调负荷预测解决方案。

因此，如何充分考虑未来各种不确定性因素，并实现负荷预测的智能化，是当前中长期负荷预测研究的重点。

基于模糊粗糙集理论，提出了一种综合数据挖掘方法，并将其应用于空间负荷预测中。

人工神经网络的基本框架，负荷预测根据历史负荷数据和温度主办。

负荷预测目前是一个热门的科研方向，在电力负荷预测上发展相对成熟。

负荷预测的核心是预测的技术方法，或者说是预测的数学模型。

针对短期负荷预测的特点，提出基于粒子群（PSO）优化的模糊神经网络短期负荷预测模型。

电力系统规划由电力负荷预测、电源规划和电网规划构成。

而负荷预测模型是进行负荷预测的主要工具。

负荷预测是电力系统一项重要而基础的工作。

本文针对西北电网开发了一套基于web的短期负荷预测系统。

提出了一种基于趋势拟合评判的中长期负荷预测多模型筛选新方法。

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。

在燃气负荷预测上虽然取得了一定的进展，仍然值得进一步的研究，去探索更加准确的预测模型。

因此，电网企业要获得良好的经济效益，必须具有准确的负荷预测技术手段。

首次将确定性退火方法用于短期负荷预测领域。

该文提出了一种基于时间序列的进化支持向量机（SVM）的负荷预测方法。

在合理选择相似日的基础上，将改进灰色模型应用于超短期负荷预测；

提出了一种基于自组织特征映射（SOFM）的聚类分析和支持向量回归（SVR）的电力系统短期负荷预测方法。

文章提出了一种基于虚拟预测思想的自适应母线负荷预测技术。

负荷预测是电力系统运行与制约的基础。

首先采用灰色关联分析理论解决了超短期负荷预测中的训练样本选择问题；

阐述了超短期负荷预测在实时发电市场中的重要性。

日电力负荷预测是电力市场运营的基本内容。

依据人口迁移算法的神经网络，提出一种短期负荷预测的新方法。

电力系统负荷预测的方法有很多，有基于人工智能方法，也有基于统计学方法的。

因此，超短期负荷预测在电力系统中起着越来越重要的作用，对其进行研究是有着重要的现实意义的。

因此，短期负荷预测方法的研究一直为人们所重视。

综合考虑气象、天气、日期类型等影响负荷的因素，进行电网短期负荷预测。

电力系统的短期负荷预测是电力系统运行调度中一项非常重要的工作。

负荷预测中遇到的一个比较大的问题是影响负荷的因素很多，而且其中有很多不确定的因素。

随着电力行业逐渐走向市场，人们对负荷预测的精度越来越关注。

随着电力工业的发展，短期负荷预测将发挥越来越重要的作用。