电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

考虑相似日的短期负荷改进粒子群预测方法

短期负荷预测是电力系统安全经济运行管理的一个基本环节。提出了基于相似日和改进粒子群算法的短期负荷预测方法,在相似负荷曲线中寻找最佳预测负荷曲线,并采用随机变异机制增强粒子群体的多样性。仿真算例验证了上述算法的有效性。     

基于模拟退火的Gauss-Newton算法神经网络在短期负荷预测中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Gauss-Newton算法的神经网络预测电力系统短期负荷,并编制了通用程序.在相同的初始条件下,用基于模拟退火的Gauss-Newton算法的神经网络和自适应学习率附加动量法神经网络进行了比较,得出前者的特点和优点:一次性求解权值和偏差,收敛快,精度高,收敛于全局最优解.在算例中,基于人工神经网络的非线性特点进行了负荷预测,通过和真实值的比较说明本方法预测结果精度很高,从而更进一步验证了该方法应用于短期负荷预测的可靠性和优势.     

基于超短期负荷预测技术的电压无功控制策略探讨

通过对超短期负荷预测理论的分析和研究,提出了基于超短期负荷预测技术电压无功控制策略.此控制策略以预测的电压、无功变化趋势作为电压控制的重要参考量,减小了有载调压变压器分接头调整次数,消除了投切震荡现象,提高了调整及投切的一次设备的使用寿命.     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

基于深度随机森林算法的短期用户负荷预测——以金华地区为例

通过网络爬虫获取天气数据，并结合金华市用户负荷数据，采用深度随机森林算法对用户负荷进行短期预测。借助4种评价指标，通过对比支持向量回归算法、K近邻算、贝叶斯岭回归算法、随机森林算法以及多个深度神经网络算法，发现深度随机森林算法预测效果最佳，支持向量回归算法次之，而深度神经网络算法在该数据集上表现一般。     

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析．首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的MSP算法对风机输出功率预测的高效性和准确性．     

道路交通状态预测研究

针对道路交通状态预测的研究成果,综述了基于实时数据分析的道路交通状态预测理论和方法的相关研究.从分析基于实时数据分析的道路交通预测的基本流程、特点和要求和单一断面交通状态预测和多断面交通状态预测角度回顾了道路交通状态预测的研究现状.结果表明:在不断发展完善单一断面预测方法的同时,需要发展以多个断面交通状态为研究对象的多断面预测方法,以促进我国智能交通系统的基础理论发展及其应用水平的提高.     

旅游突发事件智能决策支持系统研究

建立了旅游突发事件预警系统架构,对智能决策支持系统在旅游突发事件预警中的应用进行了研究．建立了旅游突发事件智能决策支持系统功能模型,给出了旅游突发事件智能决策支持算法,完成了基于决策支持的旅游突发事件预警系统开发．     

用于系统长期预测的智能组合预测及其应用

本文给出了预测可信度、可信区间、可信域等基本概念;在此基础上提出了一种用于系统长期预测的智能组合预测的基本思路、模型和算法,并给出了应用实例。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

配电网供电可靠性评估预测系统

介绍了深圳配电网供电可靠性评估预测系统的体系结构,阐述了各层结构的功能和实现思路,为可靠性评估预测应用于电网生产实际建立了一套实现机制,以便于提高城市电网供电可靠性,并提高电力公司可靠性的控制和管理水平.     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

评估系统在短期负荷预测模型中的应用

目前的短期负荷预测大多采用组合预测方法,组合预测模型的优点是将多个电力系统负荷预测模型有机的结合起来,深入地研究了该方法的实现和应用原理,提出进一步放宽组合预测模型权重不等式约束的条件,并给出理论根据,应用评估系统理论确定了各个时间点的组合预测模型的权值取值.     

用改进的灰色—马尔柯夫模型预测矿井瓦斯涌出量

在对新老两种被广泛应用于有关时间序列诸类问题预测预报的灰色预测方法与马尔柯夫预测方法进行有关分析的基础上,将两者结合起来,形成一个改进的兼有灰色预测与马尔柯夫转移概率矩阵预测优点的灰色-马尔柯夫预测模型。该预测模型能充分利用历史数据给予的信息,可大大提高随机波动性较大数据序列的预测精度,可进一步拓宽灰色预测的应用范围。利用该预测模型对一些矿井进行瓦斯涌出量大小的预测研究表明,该模型具有较强的适用性和较高的准确性,用其对动态系统的分析更为适合。该预测模型为矿井瓦斯涌出量时间动态数列的预测提供了一条新的途径。     

因地制宜选用城镇垃圾产生量预测模型

针对国内城镇种类及其地域多样性的特点，提出了一种适合各自情况的垃圾产生量预测模式。该模式的基本思想是：在几个可用的预测模型中，结合自身经济发展趋势，确保一定的预测精度，选取对未来最有预测能力的模型，最后利用所选模型的建立方法建立合适的垃圾产生量预测模型。实例分析表明，该方法适合于城镇垃圾产生量的短期预测，具有一定的实用价值。