改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于粒子群的电力系统短期负荷预测

短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济、合理的供电。针对负荷预测方法的多样性,在传统的BP网络用于负荷预测的基础上,提出粒子群PSO(Particle Swarm Optimizer)优化神经网络权值的算法,并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也明显地得到提高。     

改进ACO优化的BP神经网络短时交通流量预测

针对BP神经网络算法收敛速度缓慢、易陷入局部最小值、在短时交通流量预测的问题中精度不高等问题,提出了一种改进ACO(蚁群算法)优化的BP神经网络短时交通流量预测算法.在确定BP神经网络权阈值的过程中,采用蚁群信息素挥发自适应参数、在蚁群信息素更新时采用精英选择策略和种群更新时加入变异因子的方法来得到最优权阈值.仿真结果表明,改进算法在预测流量趋势和准确度方面均有较大提升,在短时交通流量预测方面取得了良好的效果.     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

ACO-BP神经网络在电梯交通流预测中的应用

电梯交通流预测为电梯配置与群控调度提供必要的乘客流数据信息.针对基于BP神经网络的电梯交通流预测模型在网络训练过程中表现出的对初值敏感、易陷入极小值等问题,提出利用全局寻优的蚁群优化(ACO)算法优化BP神经网络.同时,利用精英蚂蚁和排序策略对基本ACO算法进行改进.采集天津某办公大厦实际交通流数据进行实例分析,分别对基于传统的BP神经网络和蚁群优化的BP(ACO-BP)神经网络的电梯交通流预测模型进行仿真验证.结果表明:ACO-BP神经网络的预测效果远优于传统的BP神经网络,适用于电梯交通流预测系统.     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高.     

基于粒子群的电力系统短期负荷预测

短期负荷预测是电力系统管理的一项重要方法，准确的负荷预测可以保证用户得到安全、经济、合理的供电。针对负荷预测方法的多样性。在传统的BP网络用于负荷预测的基础上，提出粒子群PSO（Particle　Swarm　Optimizer）优化神经网络权值的算法。并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快，而且其预报精度也明显地得到提高。     

蚁群神经网络在中小企业信用评价中的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测中小企业信用的目的,在分析信用评价重要性的基础上,根据中小企业信用评价指标体系,提出了一种基于蚁群神经网络的评价模型.利用蚁群算法对神经网络进行训练,再将此网络模型应用到中小企业信用评价系统中,最后通过训练样本和测试样本来检测该蚁群神经网络.结果表明蚁群神经网络的预测方法与传统的BP冲经网络预测方法相比,具有较强的泛化能力,应用在中小企业信用评价系统中具有很高的评价准确率.     

基于ACA-NN的合肥公路客运预测与分析

针对BP神经网络存在无法有效收敛最优值问题,构建基于蚁群算法的优化神经网络的公路客运预测模型。该模型采用常见的BP神经网络结构,算法采用的是一种新型的进化算法——蚁群算法。然后以合肥市2012年公路客运预测为实例,尝试了蚁群优化神经网络ACONN在客运量预测中的应用,结果表明蚁群优化神经网络模型的预测精度比其他模型高。     

Short-term load forecasting using bayesian neural networks learned by Hybrid Monte Carlo algorithm

This paper presents a short term load forecasting model based on Bayesian neural network (shorted as BNN) learned by the Hybrid Monte Carlo (shorted as HMC) algorithm. The weight vector parameter of the Bayesian neural network is a multi-dimensional random variable. In learning process, the Bayesian neural network is considered as a special Hamiltonian dynamical system, and the weights vector as the system position variable. The HMC algorithm is used to learn the weight vector parameter with respect to Normal prior distribution and Cauchy prior distribution, respectively. The Bayesian neural networks learned by Laplace algorithm and HMC algorithm and the artificial neural network (ANN) learned by the BP algorithm were used to forecast the hourly load of 25 days of April (Spring), August (Summer), October (Autumn) and January (Winter), respectively. The roots mean squared error (RMSE) and the mean absolute percent errors (MAPE) were used to measured the forecasting performance. The experimental result shows that the BNNs learned by HMC algorithm have far better performance than the BNN learned by Laplace algorithm and the neural network learned BP algorithm and the BNN learned by HMC has powerful generalizing capability, it can welly solve the overfitting problem.     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

L-M优化BP算法在短期负荷预测中的应用

在分析传统BP算法的不足的基础上,提出了将Levenbery-Marquard、优化法与神经网络模型相结合的L-M优化BP算法。此方法与传统算法相比学习速度得到了提高,网络的收敛加快,尽量避免了系统陷入局部最小;针对某电力局某地区的单条线路的实际数据,采用基于Levenbery-Marquardt优化的I3P算法的神经网络模型对其进行了仿真,结果表明该方法具有较高的预测精度和较强的适应能力。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用改进的人工蜂群算法与BP神经网络融合生成进化神经网络,然后使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先,获取历史负荷数据。然后,将获取到的数据输入到进化神经网络模型中进行训练。在训练过程中,采用了改进的人工蜂群算法对进化神经网络对神经网络的权重和偏置进行优化,提高模型的预测精度。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,找到最优的模型参数组合,从而提高模型的预测精度。为了验证所提出的负荷预测方法的有效性,我们使用了火电网负荷数据进行了测试。实验结果表明本文提出的进化神经网络在短期电网负荷预测方面表现出了良好的预测精度和实用性。与传统的预测方法相比,该算法的预测误差更小,预测结果更加准确可靠。     

A novel macroeconomic forecasting model based on revised multimedia assisted BP neural network model and ant Colony algorithm

Multimedia Tools and Applications - In this paper, we propose a novel macroeconomic forecasting model based on the revised multimedia assisted BP neural network model and the ant colony algorithm....     

基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

本文对蚁群优化算法的BP神经网络中的RPROP混合算法进行了研究,提出了利用蚁群优化算法,结合RPROP混合算法解决无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题,通过建立系统构架及信息服务点,证明该算法能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗,期训练过程中迭代次数改善明显,解决BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率,是一种较为实用的算法,完全能够满足日益增长的无线互联网终端的运行需要。     

一种复合算法在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,文中提出一种基于改进遗传算法优化的径向基函数神经网络短期电力负荷预测模型,该模型采用改进的选择策略、自适应交叉和变异概率防止出现早熟现象;将自适应交叉和变异操作的改进遗传算法与梯度下降法混合交互运算,作为径向基函数神经网络的学习算法,将上述模型和算法应用于某地区电网的短期负荷预测,取得良好的预测效果.