基于人工神经网络的风电功率预测优化算法

针对BP神经网络容易陷入过拟合和局部极小值的缺陷,采用殖民竞争全局优化算法,将BP神经网络的权值和阈值作为变量,并将均方差作为目标函数,组成了一种新的ICA-BP神经网络算法.结合风电厂的实际数据在Matlab平台上对该方法进行了验证,并与粒子群算法、遗传算法进行比较,得出该算法可以提高风电功率预测精度的结论.     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

基于SVM模型的风电功率预测

为解决因风电机组功率波动产生的调度问题,运用支持向量机法对风电机组功率的输出进行实时预测,结果表明单台机组预测的均方根误差为2.16%,相关系数为77.605 4%,58台机组预测的均方误差为0.7%,相关系数为90.321 4%。说明了风机机组汇聚得越多,机组系统越稳定。最后还探索了进一步提高SVM预测精度的方法。     

基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解（VMD）与重构、卷积神经网络（CNN）挖掘多气象特征信息、长短期记忆网络（LSTM）预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明：该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。     

风电功率概率预测研究综述

从风力发电被人们应用起,风电功率预测一直是研究的热议话题.由于风能自身的波动起伏、随机不定,导致风电功率具有一定的不确定性.目前风电功率大部分研究针对其点预测,但考虑风电功率固有的波动特性,其点预测的预测精度有限.然而准确可靠的风电功率预测对于电力系统运行是必不可少的.鉴于风力发电的不确定性,概率预测提供了一种独特的方案,即:提前估算和量化风电并网对系统运行潜在的影响以及风险.故风电功率概率预测将会成为风电功率预测的热门方向.文中归纳总结了风电功率概率预测已有的研究成果,并对风电功率概率预测未解决问题及将来发展趋势进行展望.     

基于DE-BP和DE-SVM的风电功率预测研究

为提高风电功率预测精度,提出基于差分进化算法优化BP神经网络和支持向量机的组合预测方法,以进行风机发电功率预测.选取风速和风向角作为风机的影响因素.使用内蒙古某风电场实际数据对预测模型进行仿真,最终结果表明:组合预测方法比单一的BP神经网络或者支持向量机预测模型的准确性和有效性更高.     

一种电力系统短期负荷预测的RBF优化算法

针对径向基函数网络在电力系统短期负荷预测中的应用，将神经网络训练的冲量改进算法运用到径向基函数网络的训练中，提高了训练收敛速度和精度，详细介绍了短期负荷预测的建模过程，实验表明该优化算法能有效改善预测性能。     

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。     

人工神经网络在电力变压器故障诊断中的应用及仿真

研究了径向基函数 ( RBF)神经网络的模型结构及其在电力变压器故障诊断中的实现方法。通过仿真实验 ,将 RBF神经网络与 BP神经网络的性能进行比较。结果表明 ,RBF神经网络训练速度快 ,逼近误差小 ,能够更有效地解决电力变压器故障诊断问题     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

人工神经网络在用电量预测中的应用

人工神经网络是模仿人脑神经元结构,特性和大脑认知功能而构成的新型信号,信息处理系统。文中采用的人工神经网络反向传播模型对四川省历年用电量历史数据样本进行学习,分析年用量的发展趋势,然后进行长期预测,取得了较为满意的效果。     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

基于BP神经网络数学模型的短期负荷预测研究

讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明:基于BP神经网络的短期电力负荷预测具有精度高的特点,符合预测结果的相对误差小于3.06%。     

基于人工神经网络的电力变压器励磁涌流判别

研究了励磁涌流的产生机理和特性 ,探讨了影响励磁涌流的因素 ,对多种条件下的电力变压器励磁涌流及故障电流进行了数字仿真 ,比较了两者在物理特性上的区别。同时利用Matlab中的神经网络工具箱 ,建立了径向基函数 (RBF)神经网络模型 ,对励磁涌流和短路电流的样本进行训练 ,并对训练好的神经网络进行测试。结果表明 :RBF神经网络可以正确地区分励磁涌流和短路电流。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。