电力负荷预测 正在短期电力负荷预测的研究生项目中。 数据取自网站的并且在项目过程中实施了多个时间序列算法。 实施的模型： models文件夹包含在项目过程中实现的所有算法/模型： 前馈神经网络 简单移动平均线 加权移动平均 简单指数平滑 霍尔茨·温特斯 自回归综合移动平均 递归神经网络 长短期记忆单元 门控循环单位细胞 脚本： aws_arima.py ARIMA模型适合上一个月的数据，并预测每天的负载。 aws_rnn.py RNN，LSTM，GRU符合最近2个月的数据，并预测每天的负载。 aws_smoothing.py SES，SMA，WMA适合上一个月的数据，并预测每天的负载。 aws.py调度程序，每天00:30 IST运行上述三个脚本。 pdq_search.py用于根据最近一个月的数据对ARIMA模型的超参数进行网格搜索。 load_scra

DL∕T 1759-2017 电力负荷聚合服务商需求响应系统技术规范

酒店用电负荷的分类.pdf

负荷预测,负荷预测常用方法,matlab源码.zip

为提高短期负荷预测精度，提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵 (SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为 多个特征互异的子序列，计算各子序列的样本熵，将熵值相近的子序列重组得到新序列，降低了原始非平稳序列对预测精度造成的影响并减小计算规模；随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN 预测模型，利用DBN 克服了浅层神经网络特征提取不充分及初始参数难确定的问题；最后将预测结果叠加得到最终预测值。仿真结果表明，该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW，相比于BP、DBN、EMD-DBN 负荷预测模型具有更高的预测精度。

负荷均衡参数配置指导

配电网优化程序，可以运行。基于馈线偶的重构，通过优化实现负荷均衡。

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。

基于卷积神经网络与纵横交叉算法的二维组合短期负荷预测方法研究.pdf

ieee33_33节点simulink_simulink33节点_负荷建模_基于matlab,simulink环境_ieee34sim