13-15能源消耗数据集、Tianchi数据集、第九届电工数学建模竞赛等

** 更新：网络研讨会录音可从以下网址获得： http://www.mathworks.com/videos/electricity-load-and-price-forecasting-with-matlab-81765.html 此示例演示如何使用 MATLAB:registered: 构建短期电力负荷（和价格）预测系统。 校准两个非线性回归模型（神经网络和袋装回归树），以在给定温度预测、假期信息和历史负载的情况下预测每小时的日前负载。 这些模型在 2004 年至 2007 年 NEPOOL 地区（由 ISO 新英格兰提供）的每小时数据上进行训练，并在 2008 年的样本外数据上进行测试。 该应用程序包括一个（可选）Excel 前端，使用户能够通过 MATLAB 可部署的 DLL 调用经过训练的负载预测模型。 标题为“负荷和价格预测案例研究简介”的文档将指导您完成分析的不同组成部分。 如果您没有所有

Elman神经网络的数据预测—电力负荷预测模型参考源码。 说明：用MATLAB实现。

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

某地区电力负荷数据分析与预测.doc

电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

针对传统灰色模型在多原始数据、长时间尺度的负荷预测情景下预测精度差的问题，文中分析了灰色模型（Gray Model，GM）的基本原理，并提出相应的改进措施，其中包括原始数据的加权处理、选取合适的初始条件及自适应优化模型参数。并将改进灰色模型（Improved Grey Model，IGM）应用于电力负荷预测。通过算例分析结果表明，无论在短期负荷预测还是在中长期负荷预测的情景下，所提出基于改进灰色模型的电力负荷预测方法相比于传统灰色模型，均具有更高的预测准确性，能够为电力系统的安全、稳定运行以及合理的规划提供重要支撑。

摘要介绍了基于Spring框架的电力负荷（本地）管理系统开发。主站部分采用的是目前比较新颖的J2EE轻量级架构—Spring+Hibernate+Tomcat，以集成使用多种优秀的开源软件项目的Appfuse为开发原型。主站采用B/S结构和Java开发平台。　关键词电力负荷（本地）管理系统；终端；主站；SpringFramework；Hibernate；开源软件工程项目电力是当今社会最重要的能源之一。供电企业在向社会提供电能的同时，保持电力系统（发、供、用）电力，电量的平衡，是保证电网安全，经济运行的重要保证，电力负荷监控技术就是为实现此目标所采取的有效技术措施。　电力系统（发、供、用）电力，

【电力负荷预测】 GUI粒子群支持向量机短期电力负荷预测【含Matlab源码 751期】.zip