基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

人工神经网络在电力系统短期负荷预测中的应用

根据电力系统短期负荷变化的特性,提出BP模型在实际负荷预测应用中的方法和步骤．对BP网络结构、样本空间、收敛性等作了有针对性的研究．结果表明：多层神经网络应用于电力系统短期负荷预测是可行和有效的．其预报结果比传统的负荷预测方法更准确、经济、效果更好．     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(BP)的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

BP神经网络在电力系统短期负荷预测中的应用

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BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

改进的容积卡尔曼滤波(CKF)算法在短期负荷预测中的应用

电力系统短期负荷可视为非线性系统的输出,为了准确地预测电力系统短期负荷,引入了容积卡尔曼滤波(CKF)方法,并通过估计和修正模型中的状态转移矩阵,得到改进的自适应CKF算法,以适应非线性系统的时变性.用某地秋季22d的历史负荷数据建模对未来9d负荷进行预测,仿真结果证明改进的CKF算法预测电力系统短期负荷是实用而有效的.     

多层前馈神经网络在电力系统短期负荷预测中的应用

介绍了多层前馈神经网络在电力系统短期负荷预测中的应用,并对这些方法做了评价.在此基础上,对人工神经网络技术在短期负荷预测中的应用进行了展望.     

电力系统短期负荷预测的改进BP神经网络算法比较

基于欧洲智能技术网络(EUNITE)竞赛提供的负荷数据,对同一策略下几种改进前向神经网络(BP-ANN)算法在电力系统短期负荷预测的应用进行了分析.通过选择、量化输入数据,利用MATLAB神经网络工具箱,分别对比了几种不同的BP网络训练算法在短期负荷预测中的训练速度及预测准确度上的优劣。结果表明RPROP算法有较明显的优势.     

基于一种改进的地区性电力系统短期负荷预测方法

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义.为提高电力系统短期负荷预测精度,采用三层BP型人工神经网络来建立短期负荷预测模型,将影响负荷的主要因素作为数据样本,进行网络的自我训练和学习,并且在训练和学习的过程中引入误差反方向传播算法(即BP算法)来修正神经网络的连接权重,从而达到对负荷预测模型的改良和完善,进一步贴近实际的负荷变化,其预测的精度也较高.     

基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升.为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法.首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷...     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

电力负荷预测技术及其发展趋势

介绍了电力系统负荷预测方法的几种分类方法、神经网络负荷预测方法及其在短期负荷预测中的研究情况,也指出了负荷预测技术的发展趋势。     

基于神经网络模型的船舶电网短期电力负荷预测

恶劣海况时电力推进船舶的电网负荷波动较大,发电机组会频繁投入或退出电网,准确的电力负荷预测将有助于优化能量管理策略,保障电力系统的安全性,并提升用电效率。人工神经网络拥有很强的学习能力和泛化能力,能够有效的进行短期电力负荷预测。通过对反向传播(BP)、径向基神经网络(RBF)、Elman共3种不同的网络模型进行原理阐述、数据处理、模型建立及参数调整后,再对其在短期电力负荷预测的表现进行比较,RBF神经网络的预测效果及各项评价指标最优,且其模型建立最简便,因此相较于另外两种网络更适合进行短期电力负荷预测。     

基于广义回归神经网络的上肢关节角度预测

针对人体上肢运动意图识别问题,基于上肢表面肌电信号,提出广义回归神经网络(general regression neural network,GRNN)预测受试者的上肢关节角度.GRNN预测模型的输入为处理后的表面肌电信号,预测的3个关节角作为输出,将GRNN预测结果和径向基函数(radial basis function,RBF)神经网络的预测结果对比,并用均方根误差对上肢关节角度的预测结果做评估,验证GRNN模型预测上肢关节角度的可行性.结果表明,GRNN模型能较好地估计人体关节角度.     

改进RBF神经网络在短期负荷预测中的应用

电力系统负荷预测对电力调度部门来说是非常重要的,精确的负荷预测是经济、可靠和安全的电力系统运行和规划的依据,直接关系到电力系统供电计划的制定和电力系统短期运行方式的安排。该文提出了一种改进的基于径向基函数（Radial Basis Function,RBF）神经网络的短期负荷预测的方法,经GA优化的SVM多核径向基函数去提取有用数据,提高了短期负荷预测精度,该文以吉林某地区春季负荷为输入,仿真结果表明算法的可行性。     

基于云模型RBF支持向量机的电力系统负荷预测

径向基核函数(RBF)支持向量机被广泛应用于电力系统负荷预测上,然而传统方法在RBF核函数的参数选择上有很多不足之处.为了更精确地选择核函数的参数,提高短期负荷预测的精度,提出一种将云模型和RBF支持向量机相结合的新模型.通过各影响因子的高维云变换确定每个模型的RBF核函数的参数,然后通过模型的加权计算得到最终的预测值.最后,通过与传统模型的仿真对比证明该模型的预测误差比传统模型降低了1.16%,能更好地进行电力系统短期负荷预测.