基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

基于广义回归神经网络的月度负荷预测

研究了月度负荷的特性，指出了其季节波动性和趋势增长性双重特性；介绍了广义回归神经网络的基本理论，提出以横向历史数据和纵向历史数据作为输入神经元，建立了月度负荷预测模型，并将其应用于我国某地区月度负荷预测，结果表明：该模型的预测精度明显高于一般的BP网络。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

计及偏差电量考核机制的人工神经网络售电量预测模型

售电量预测的精度决定了售电公司的运营收益。传统售电量预测方法存在未计及偏差电量考核机制的差异、缺少时序相关性与长程依赖性等问题。为此,提出一种计及偏差电量考核机制的人工神经网络售电量预测模型。首先,根据购售电交易时序特点重构特征向量。其次,建立基于季节分解的加权模型(SDW)与双向长短期记忆神经网络(Bi-LSTM)分别对年度双边协商月度分解售电量和月度集中竞价售电量进行预测,基于月度偏差考核规则定义非对称损失函数(ALF),关联反向传播过程与整体收益,使网络输出趋向收益最大化。最后,通过数据集进行算例仿真并比较各项性能指标,验证了该模型相比于传统预测模型经济实用性强,准确度高且稳定。     

基于相似月和Elman神经网络的行业月度售电量预测

为了提高售电量预测的精度并完善售电量预测体系,提出了一种结合历史相似月的Elman神经网络组合预测模型。利用历史相似月模型可以快速辨别历史数据的特点,通过对各类售电对象的详细数据及外部影响因素分析处理,找到与待预测月目标售电对象相类似的一组历史数据,作为Elman神经网络的输入数据来完成该类售电对象的预测。然后将各售电对象的预测数据组合得到总月度预测售电量。算例仿真研究表明,该组合预测方法与单一Elman神经网络预测方法相比,预测精度更高,收敛性能更好,具有较好的应用前景。     

基于遗传算法改进BP神经网络的风电功率预测研究

风电功率预测对于风电场和电网的安全可靠运行具有重要意义。以某风力发电机为研究对象,根据该风机历史天气信息和风电功率数据,使用遗传算法改进BP神经网络,构建复合型神经网络的风电功率预测系统。运用MATLAB软件对算法进行编程与仿真,仿真结果表明,单一的BP神经网络预测系统波动性较高,精度不足,而复合型的神经网络算法有效地解决了这一问题,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。     

一种基于XGBoost算法的月度负荷预测方法

为向大工业提供更为精确的月度负荷预测,提出将XGBoost(极端梯度上升)算法引入电网负荷预测,对负荷及相关影响因素指标进行异常识别填补、指标转换、独热编码等数据预处理工作;结合关联分析,对相关影响因素指标进行筛选;最后采用XGBoost算法进行月度负荷建模预测。结合实例,对比XGBoost与支持向量机、神经网络模型算法在大工业用户近几年历史月度负荷数据建模预测中的应用,发现XGBoost模型应用效果较佳,具有一定的实用性。     

模糊神经网络在电力系统短期负荷预测中的应用

结合电力短期负荷的特点,将模糊神经网络应用于电力短期负荷预测。阐述了模糊神经网络结构特征及BP学习算法,介绍了模糊神经网络应用于负荷预测的具体流程方法,建立了一种基于引入惯性量的BP学习算法的模糊神经网络负荷预测模型。通过对实际数据分析仿真,同基于BP神经网络的负荷预测方法进行比较分析后,得出本文所提出的方法预测精度高,较好地实现了负荷的预测。     

基于智能加权混合模型的新型电力系统电量预测方法

随着电力系统的转型升级,新型电力系统的能源供应和消费发生了巨大的转变,因此对电量预测提出了更高的要求。月度电量的准确预测为新型电力系统的优化调度和电力市场的营销计划提供可靠的依据。在深入挖掘历史电量数据、综合分析月度电量特征及相关因素影响的基础上,结合Prophet算法和KELM神经网络算法各自的优势,提出了一种考虑气温、经济水平和节假日的月度电量组合预测方法。首先基于月度电量数据建立了Prophet预测模型,并进行了参数调优过程;其次利用KELM神经网络建立了基于历史电量、气温、GDP、节假日信息的预测模型,并通过参数调优确定最佳预测模型;最后,以加权组合的方式,建立月度电量组合预测模型。通过算例分析,比较了组合算法和其他算法的预测误差和预测效果,表明了本文所提组合模型在预测精度方面有所提升,验证了预测算法的有效性。     

BP-马尔科夫组合预测方法在光伏发电量预测中的应用

为提高光伏发电量预测的精度,提出一种以马尔科夫方法进行修正误差的BP神经网络预测模型,模型契合光伏发电功率特点,兼具BP神经模型及马尔可夫模型优点,既能利用较少数据建模,预报总体趋势,又适合于波动性较大的随机序列预报。首先介绍基本原理和算法,在此基础上阐述模型建立的具体过程,最后运用该模型对徐州协鑫光伏电站进行预测,结果表明新建模型预报精度高于BP神经网络模型,且该模型简单、计算量小,具有较好的可行性。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

专家系统与BP神经网络相结合的短期负荷预测

研究了专家系统结合神经网络BP算法在短期电力负荷预测中的应用.对神经网络BP算法进行改进,使用BP算法对咸阳电网实际负荷数据进行预测,并将预测值与实际负荷值进行比较,总结其长期的发展变化规律.同时汲取有关专家学者和专业预测人员的经验知识,形成一系列的规则集,从而模拟人类专家的决策过程进行推理和判断,形成一个专家系统,以此来改进采用单一BP算法进行预测的种种不足.结果表明,经验知识越成熟,推理规则越完备,对提高预测精度越有利,对神经网络BP算法的预测值进一步修正的可能性越大.     

提高月度售电量预测精度的一种新方法

通过对地区售电量历史数据的研究分析,挖掘出其发展的规律和特点,并创新性地提出了一种月度售电量预测的新疗法该方法在预测某月售电量时,先预测出该月所在季度的季度售电量,再根据占季比和所在季度的季度售电量的预测值,预测出该月的售电量,若该月处于春节影响期将最后给予修正．利用该预测新方法对江苏某市2005年4月至2007年12月的月度售电量进行了预测,预测的平均相对误差为2．35％,顶测精度得到了较大的提高,证明了该预测新方法的准确性和可靠性。     

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型.首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输出变量.其次利用遗传模拟退火算法不断修正网络节点连接权值,以最优适应度为标准,确定最优网络节点连接权值分布.最后,代入权值最优解,通过训练样本数据,获取最小方均差预测模型.分别应用本文提出的BP-GSA模型及其他四种传统方法,对某市2020年月度负荷进行预测.误差分析表明,BP-GSA模型预测精度最高.随后将BP-GSA模型分别应用于不同年份的月度负荷预测,预测结果表明其误差稳定,证明了模型的鲁棒性.     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于改进集成聚类和BP神经网络的电压偏差预测

电能质量问题日益严重,其中电压偏差的危害最为明显。本文提出一种基于改进集成聚类和BP神经网络的电压偏差预测方法。针对单一聚类算法的不足,将AP聚类算法与经典K-means聚类算法结合,形成改进集成聚类算法,实现两类算法的优势互补,该算法包括PCA降维、AP聚类、K-means聚类三步。选择与待预测点相似相近的样本数据集,采用改进集成聚类算法对数据集中的气象数据进行聚类,提取训练样本,最后采用BP神经网络算法建立预测模型。结果表明,该方法预测结果平均相对误差为2.987%,优于传统BP神经网络预测模型以及结合PCA降维的BP神经网络预测模型。     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

BP算法改进及其在股票价格预测中的应用

介绍了神经网络的基本概念,BP算法是前馈神经网络中最终要的算法模型,但由于BP算法收敛速度慢,为了加速算法收敛,增加神经网络的稳定性,提出了L-M对股票指数预测模型。借助神经网络对非线性函数的逼近能力,对上证综合指数股价进行单步预测。用L-M和BP对预测结果进行比较,证明L-MBP算法用于指标预测准确性更高。     

基于季节ARIMA模型的华北电网售电量预测研究

研究现有电网售电情况,对售电量进行分析和预测,从而可以对有限的电力资源进行有效分配.介绍了自回归单整移动平均模型及季节ARIMA模型的基本原理,以华北电网2005年1月～2008年4月的月度售电量为基础,运用季节ARIMA模型进行分析,实证结果表明,该方法对售电量的短期预测有较高的预测精度.     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。