共查询到10条相似文献,搜索用时 843 毫秒
1.
针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。 相似文献
2.
针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。 相似文献
3.
基于RBF网络的电力市场清算电价预测 总被引:3,自引:0,他引:3
采用RBF网络模型对电力市场中的清算电价进行预测,聚类算法采用改进的模糊C均值聚类,减小了野值对输出结果的影响,隐层的输出采用聚类结果的隶属度函数,省掉了对径向基函数宽度的计算。通过美国加州电力市场公布的历史数据对该模型进行验证,结果表明该模型应用于电价预测具有较高的预测精度,并且具有训练速度快、不存在局部极小和过拟合等优点。 相似文献
4.
5.
6.
7.
8.
基于变压器油性能参数之间的关联性,在Matlab平台下研究建立变压器油关键参数——击穿电压的多参数关联预测方法.利用RBF网络建立击穿电压与4个强关联性指标的关系模型,并与BP网络模型进行对比;采用模糊C聚类方法处理大量的训练样本,以聚类结果来训练网络,从而解决大样本训练网络时网络结构复杂、性能不佳等问题;仿真结果表明... 相似文献
9.