基于改进神经网络的农村电力系统短期负荷预测

为进一步提高农村电力系统短期负荷预测模型的性能,实现准确与快速预测农村电力系统短期负荷的目的,采用基于优化理论的Levenberg-Marquardt算法来改进传统的BP算法,并构造电力系统负荷预测模型。结果表明,基于L-M算法的神经网络预测模型具有较高的预测精度,在农村电力系统短期负荷预测方面具有较高的使用价值。     

基于神经网络电力系统短期负荷预测的MATLAB实现

介于电力负荷预测在电力系统中的重要性,首先描述了电力负荷预测对电力系统的重要意义,分析了传统电力负荷预测方法的优缺点,在详细分析BP神经网络原理的基础上,设计了负荷分析方案,通过对某市负荷数据的分析,并且在充分考虑了日常负荷与天气因素的关系之后,建立了神经网络短期负荷预测模型,并进行短期预测,验证了其具有较高的精度,且具有很强的稳定性,适合多种不同的预测环境。     

基于RBFNN混合粒子群算法的电力负荷短期预测

根据电力系统负荷预测的不同目的,提出一种基于RBFNN混合粒子群优化算法(HPSO)预报电力系统短期负荷,即首先采用改进的粒子群优化算法(MPSO)全局优化网络模型参数然后在MPSO全局搜索模型参数基础上利用梯度下降法局部优化网络模型参数,建立电力系统短期负荷的时序人工神经网络模型。仿真结果表明,该方法与传统的预测方法相比,减少了训练时间,提高了精度和适应性。     

Elman神经网络在农网短期负荷预测中的应用

为提高负荷预测精度,更好地反映负荷的动态特性,提出了一种基于Elman神经网络的预测方法。先对负荷样本进行数据预处理,消除伪数据,然后把不同日各时刻的负荷序列作为样本,对未来时刻的负荷进行短期预测。预测实例表明,基于Elman神经网络的预测方法比基于BP神经网络的预测方法具有更好的预测效果。     

季节周期预测法在电力系统季负荷预测中的应用

电力系统日负荷、月负荷和季度负荷变化具有明显的周期性,根据日、月、季负荷变化特点,将季节周期预测法应用于电力系统季负荷预测中。计算结果表明,用该预测方法预测电力系统季负荷具有较高的预测精度。     

电力系统短期负荷预报的动态神经网络方法

提出了一种用于电力系统短期负荷预报的动态神经网络模型。这种模型同时兼顾了时序法和相关法的特点，将日期特征量，气象特征量及一天的多个有功负荷水平作为神经网络的输入信息，通过对输入信息动态，灵活地处理，利用有监督的学习算法对神经网络进行训练，再预测下一天相应时间点的多个有功负荷，以提高有功日负荷的精度和方法的适应性，为电力系统经济负荷分配提供可靠的依据。     

农村电力系统负荷预测方法研究

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。该文系统地讨论了影响农村电力系统负荷预测的主要因素、负荷预测的基本步骤以及常用的预测方法。     

西气东输系统城市燃气用户负荷预测

为实现智慧管网建设中天然气分输站场的智能分输功能,需针对用户(尤其是受环境因素影响较大的城市燃气用户)开展负荷预测,为分输支路应用人工智能算法预测和调整分输控制策略提供依据。建立了一种基于多层BP神经网络智能化预测模型,对西气东输管网某燃气用户进行负荷预测,将气温、风速、风向等天气状况参数和历史负荷值作为输入,对比发现该预测方法模拟结果与实际负荷值相对误差不超过±8%,可以较准确地预测城市燃气用户72 h的短期负荷。此外,进一步研究了负荷预测精度的影响因素,结果表明:约1℃的气温变化将引起冬季用户5%～6%的需求量变化,当气温超过14℃时用户负荷随着温度上升呈线性减少的趋势,超过18℃将不再受影响;风速和降雨变化对于用户需求量的影响则不超过5%。短期用户负荷的准确预测是实现管道或管网公司高效、合理、经济运营天然气供应系统的基础,可保证供气方案经济合理、运营调度安全高效。     

基于BP神经网络的城市燃气月度负荷预测研究

应用MATLAB科学计算软件编制了对浙江省某城市燃气月度负荷的预测程序,建立了燃气月度负荷预测的BP神经网络模型,对模型进行训练后,利用它对该市燃气月度负荷进行了预测,预测结果的相对误差最在±6．34％以内,由预测结果可知该模型预测精度较高,完全可以达到工程实际应用的目标。     

电力系统负荷预测研究综述及其发展方向

随着我国社会主义现代化建设的不断加快,我国电网事业的发展越来越迅速,规模日益庞大,朝着大机组、特高压的方向不断前进.但是由于现代市场竞争机制的不断变革,节能减排方针的不断推动,从而对电能质量的要求越来越高,电力系统负荷预测的发展正面临着挑战.本文主要通过概述电力系统负荷预测,深入讨论电力系统运行的规律,研究电力系统负荷预测的发展方向,在理论上为我国电力事业的发展方向做出了展望.     

基于神经网络的森林火灾危害程度预测研究

以可燃物分布、可燃物含水量、可燃物载量、可燃物种类、平均月发生次数、距居民点距离、坡度、温度、湿度等因素为输入变量,危害程度为输出变量,采用BP神经网络建立了林火危害程度预测模型,定量分析这些指标对林火危害程度的影响规律。结果表明:模型具有较高的预测精度,输出结果的误差小于3%。     

应用神经网络的变流器波形复合控制策略

针对港口现有岸电电源产品所采用控制策略的不足,研究分析了岸电电源PWM可逆变流器数学模型在DQ坐标系下的特点,提出了一种基于改进的重复控制和神经网络内模控制的变流器输出波形复合控制策略.采用BP神经网络结构作为内模控制器的预估模型和控制器,神经网络预估模型可在线学习建立与被控对象相匹配的精确模型,神经网络控制器动态响应快,输出无静差,扰抗性好.实验证明,应用该复合控制策略的系统整流功率因数接近于1;供电非线性混合负载输出波形失真率低于2%;动态响应快,在2个周期内恢复稳定输出.     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

紫外线光固化竹粉/丙烯酸酯复合材料的性能

为提高木塑复合材料制备效率、节约能源,丰富和完善木塑复合材料的制备技术,通过紫外线光(UV)固化技术制备竹粉/丙烯酸酯复合材料,并研究了竹粉含量对竹粉/丙烯酸酯复合材料动态力学性能、弯曲性能、吸水率的影响。结果表明,竹粉与丙烯酸酯能较好地生成交联网络结构,改善竹粉/丙烯酸酯复合材料的物理性能,其弯曲性能随着竹粉含量增加而增强,并在竹粉含量20%时达到最大值,之后逐渐变弱。竹粉/丙烯酸酯复合材料的储能模量随竹粉含量增加而增加,但竹粉含量超过20%时其储能模量开始下降;竹粉的加入导致竹粉/丙烯酸酯复合材料的玻璃化转变温度(Tg)从84℃提高到105℃。竹粉/丙烯酸酯复合材料具有良好的耐水性,经沸水浸泡后,其吸水率变化不大。当竹粉含量为20%时,竹粉/丙烯酸酯复合材料具有较佳的物理性能:弯曲强度39.4 MPa,弯曲模量2 800 MPa,吸水率5.95%。     

BP神经网络在气象数据预测研究中的应用

BP(Back Propagation)网络是一种被广泛运用的神经网络.它的核心是BP算法,本文是在建立影响气象环境状态指标体系基础上,收集各指标在研究期内的有关数据,对数据进行整理分析并建立数据库,尝试利用基于BP算法的三层向前神经网络对气象数据进行预测.     

基于BP神经网络的马尾松立木生物量模型研究

以马尾松为例,探索并验证BP神经网络模型在立木生物量估测上的适用性。通过12种算法的筛选、输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型;对比单输入变量与多输入变量模型、单输出变量与多输出变量模型,并分析模型的输入变量数和输出变量数对模型估测精度的影响;将优选BP模型与传统相对生长模型进行对比以验证BP模型的可行性。结果表明:1）最优BP模型LM-DH-8-WtWaWr的训练算法为Levenberg-Marquardt算法,输入变量为D、H,输出变量为Wt、Wa、Wr,隐层节点数为8。2）输入变量和输出变量的增加不会降低BP神经网络模型的精度。3）模型LM-DH-8-WtWaWr能够精确地估测马尾松立木生物量,其精度高于传统的相对生长模型。该模型能够一次性地引入多个解释变量,并可以同时估测多个量,从而简化了生物量建模和估测工作,对实际生产具有一定的意义。      

基于BP神经网络与SVM模型的黄尾河径流预测比较分析

比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子，采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟，并对二者的预测性能进行比较与评价。结果表明，黄尾河流域BP模型模拟的总体相对误差为14.43%，合格率为77.5%，确定性系数为0.76，预报精度等级为乙级；SVM模拟的总体相对误差为12.41%，合格率、确定性系数及预报精度等级与BP模型相同。SVM模型模拟结果较BP模型而言更集中于较小的误差范围内。BP模型的累积误差>SVM模型，并且随着误差自由度的增大，这种差距有扩大的趋势，表明SVM模型的误差范围较小，误差间隔小于BP模型，模拟性能较BP模型更稳定。