基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。     

基于PSO优化BP神经网络的光伏发电量预测

为了实现对光伏发电量的预测,降低光伏并网的不利影响,通过建立粒子群算法(Particle Swarm Optimization,PSO)优化的前馈神经网络光伏系统发电预测模型,进行光伏发电量的预测。该模型采用粒子群优化算法来优化神经网络内部权重和阈值,不仅收敛快,而且不易陷入局部极值,具有较强的泛化能力。以天气参数和光伏发电历史数据作为样本,比较了该模型与未经优化神经网络模型的预测效果。结果表明,经PSO优化的神经网络模型预测精度更高,预测性能更好。     

基于混沌搜索的AMPSO-BPNN在光伏功率预测中的应用研究

以光伏发电系统的输出功率为研究对象,通过分析光伏发电功率的影响因素,利用相似日原理生成训练样本,将混沌搜索和自适应变异思想引入粒子群算法中,提出混沌搜索的自适应变异粒子群优化BP神经网络的预测模型。该模型较好地克服了BP网络初始化的随机性问题,提高了模型的泛化能力、收敛速度与预测精度。利用光伏电站与气象观测站的数据进行仿真分析与验证,结果表明:优化后模型的预测精度高于优化前,且混沌搜索的AMPSO的优化效果好于单纯PSO的优化效果。     

基于最优相似度与IMEA-RBFNN的短期光伏发电功率预测

针对光伏发电功率受气象因素影响而具有波动性与随机性问题,提出一种基于最优相似度与IMEARBFNN的短期光伏发电功率预测方法。利用相关性分析与平均影响值(Mean Impact Value,MIV)算法选取出温度、湿度、辐照度3个气象因素作为输入指标,通过最优相似度理论计算得到预测日的相似日。将相似日数据与预测日气象数据作为输入,采用改进思维进化算法(Improved Mind Evolutionary Algorithm,IMEA)优化径向基神经网络(Radical Basis Function Neural Network,RBFNN)模型对预测日光伏发电功率进行预测。结果表明改进思维进化算法优化径向基神经网络可以提高模型预测精度,为光伏发电功率预测提供一种有效方法。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

基于最优加权组合模型的光伏出力预测

针对单一光伏出力预测方法的局限性,建立了一种基于最优加权组合方法的光伏发电功率预测模型。基于气象信息数据,采用模糊聚类的方法将历史光伏发电功率样本分为几类,然后将预测日归类为相似度较高的历史样本集。将此类历史样本与预测日的气象数据作为输入样本分别建立BP神经网络模型、支持向量机模型。利用最优加权组合算法进行多模型的加权组合,得到组合预测模型。某光伏电站的实测功率数据与模型预测结果对比表明,提出的模型有较高的预测精度。     

基于ESN的光伏发电功率预测模型研究

针对传统神经网络学习算法复杂且稳定性差的问题,本文基于回声状态神经网络,提出了光伏发电功率预测模型。回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且只需采用线性算法即可求得网络输出权值,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题。并利用实际光伏发电站的历史数据和气象数据进行仿真验证。仿真结果表明,ESN预测模型的平均预测误差和最大预测误差分别比BP-NN预测模型提高了13.52%和102.26%,表明ESN预测模型的预测精度明显高于BP-NN预测模型;而且无论从预测精度还是稳定性,ESN预测模型都好于BP-NN预测模型,从而验证了ESN预测模型的可行性。该研究为光伏发电功率模型的实用化提供了理论基础。     

基于特征提取的FA-BP短期光伏发电预测

为解决光伏发电受详细、复杂的天气数据所影响的问题,提出一种基于特征提取的萤火虫算法（FA）优化误差回传神经网络（BP神经网络）的FA-BP短期光伏发电预测模型。为提高收敛速度利用主成分分析法（PCA）对光伏发电历史数据以及历史天气数据进行降维与去噪,选取影响光伏发电的主要成分并构建PCA-BP预测模型。并利用FA对PCA-BP预测模型进行阈值和权值的优化,进而构建PCA-FA-BP的光伏发电预测模型。再将提出的PCA-FA-BP预测模型与BP神经网络预测模型、PCA-BP预测模型以及单一的FA-BP预测模型进行光伏发电预测效果对比与分析,通过仿真结果表明:PCA-FA-BP预测模型拥有更佳的训练效果以及预测精度。     

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。     

基于相似日和交叉熵理论的光伏发电功率组合预测

为进一步提高光伏发电功率预测精度,提出一种基于相似日和交叉熵理论的光伏发电短期功率组合预测方法.首先采用模糊C均值聚类方法对历史样本数据分类,并提出一种基于隶属度的指标来选取相似日.然后采用最小二乘支持向量机、时间序列法和BP神经网络法分别预测光伏发电功率,通过交叉熵算法动态设置各预测时刻下单一方法的权重值,建立光伏发电功率的组合预测模型.算例结果表明,所提方法能够动态识别单一预测方法包含的信息量,能确定更加合理的权重值,从而提高光伏发电功率的预测精度.     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

Multi-objective coordination optimal model for new power intelligence center based on hybrid algorithm

In order to resolve the coordination and optimization of the power network planning effectively, on the basis of introducing the concept of power intelligence center (PIC), the key factor power flow, line investment and load that impact generation sector, transmission sector and dispatching center in PIC were analyzed and a multi-objective coordination optimal model for new power intelligence center (NPIC) was established. To ensure the reliability and coordination of power grid and reduce investment cost, two aspects were optimized. The evolutionary algorithm was introduced to solve optimal power flow problem and the fitness function was improved to ensure the minimum cost of power generation. The gray particle swarm optimization (GPSO) algorithm was used to forecast load accurately, which can ensure the network with high reliability. On this basis, the multi-objective coordination optimal model which was more practical and in line with the need of the electricity market was proposed, then the coordination model was effectively solved through the improved particle swarm optimization algorithm, and the corresponding algorithm was obtained. The optimization of IEEE30 node system shows that the evolutionary algorithm can effectively solve the problem of optimal power flow. The average load forecasting of GPSO is 26.97 MW, which has an error of 0.34 MW compared with the actual load. The algorithm has higher forecasting accuracy. The multi-objective coordination optimal model for NPIC can effectively process the coordination and optimization problem of power network. Foundation item: Project (70671039) supported by the National Natural Science Foundation of China     

基于自适应的配电网分布式电源优化配置研究

针对分布式电源接入配电网引起的电压越限和电能质量下降等问题,提出了一种具备自适应特性的分布式电源优化配置方法. 建立了光伏、风电两种典型分布式电源的数学模型,分析其功率输出特性. 构建了同时考虑发电成本、环境成本、有功网损折算成本三项指标的分布式电源优化配置模型. 针对多目标函数和多约束条件的优化配置模型,应用自适应粒子群算法求解,实现学习因子和惯性权重自适应调整以提高算法的寻优性能,由此得到分布式电源的最佳接入位置和容量. 最后,以IEEE33节点配电系统为例进行仿真验证. 结果表明,自适应粒子群算法与传统粒子群算法和混沌粒子群算法相比,求解得到的优化配置方案可达到更好的供电可靠性和经济性要求.     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于混合BP神经网络的原油管道电耗预测研究

原油管道电耗的准确预测能够用于控制原油管道耗能水平,充分挖掘原油管道输送系统的节能潜力。实际采集到的原油管道运行数据具有波动范围大的特点,且存在严重的噪声干扰和信息冗余,对精确预测管道电耗造成不良影响。为解决上述问题,提出一种基于混合神经网络的电耗预测模型。利用自适应噪声的完备集成经验模态分解,对原油管道日运行数据进行分解;利用主成分分析对分解后数据做降维处理;利用改进粒子群算法调节神经网络结构参数;使用该模型预测某原油管道电耗,并与常见的几种预测模型展开对比。结果表明,分解算法能够提高模型预测精度;该混合神经网络模型预测精度最高,其测试集的平均绝对误差为5.394%,较使用分解算法前降低39.200%。     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

基于粒子群脊波神经网络的飞机目标识别

针对传统的基于梯度的脊波神经网络训练算法存在效率低、网络规模大、后期容易震荡等缺点,提出了一种粒子群网络训练算法,网络结构采取逐步递增隐层神经元的方法加以确定,对粒子群个体参数取不同的位置边界,并对粒子飞行速度进行限制,在合理设定粒子群算法各参数值的情况下实现了网络快速而有效的训练.仿真试验将该网络用于6类空中飞机目标的识别,并与传统的识别手段进行了比较,结果表明粒子群算法训练的脊波神经网络具有规模小、学习和泛化能力强、网络可控性好等优点.     

基于PSO优化极限学习机神经网络的空气质量预报

为了提高空气质量预测精度,提出一种基于粒子群算法优化极限学习机的空气质量预测模型.运用粒子群算法优化极限学习机的初始权值和偏置,在保证预测误差最小的情况下实现空气质量最优预测.选择平均绝对百分比误差、均方根误差和平均绝对误差作为评价指标,通过PSO-ELM、GA-ELM、SOA-ELM、DE-ELM和ELM五个模型预测结果对比发现,PSO-ELM可以有效提高空气质量预报的预测精度,可为空气质量预测提供新的方法和途径.     

基于GBDT和SVM的光伏发电出力预测研究

梯度提升决策树（GBDT）和支持向量机（SVM）是预测光伏出力的两种常用算法。分析了光伏发电出力的影响因素,介绍了GBDT算法和SVM算法的原理,以及基于两种算法的光伏出力预测模型的流程,并进行对比分析。实验结果表明,基于GBDT算法的光伏出力预测模型的平均绝对相对误差和均方根误差都较小,预测效果更好。