自适应神经网络在短期负荷预测中的应用

采用基于混沌算法的自适应预测模型,应用于电力系统短期负荷预测.选取重构相空间中的饱和嵌入维数作为神经网络的输入节点数,适当选择非线性反馈项,能使网络的动力学在权空间具有混沌行为.通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,精度高.     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

智能组合预测法在短期电力负荷预测中的应用研究

提出将Kohonen网络、Elman神经网络和遗传算法结合起来建立一种智能组合预测模型,此模型能够综合各种单一预测模型的优点,内在结构随时间的推移不断变化,符合电力负荷的特点,提高了负荷预测的精度.文中给出了三种网络模型进行短期电力负荷预测的仿真结果比较,从而验证了智能组合预测模型的合理性和良好的应用前景.     

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。     

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.     

RBF网络在节假日短期负荷预测中的应用

节假日的负荷预测一直是电力系统短期负荷预测中的难点。该文采用了T－S型模糊RBF网络,提出了一种新的推理模型。该网络采用次胜者受罚的竞争学习规则决定模糊隶属函数中心,并采用梯度下降和交叉验证方法对输出权值进行学习。实验应用表明,该方法具有快速、准确性较好的特点。文中还给出了比较结果。     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用

高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.     

基于免疫模糊聚类的LSSVM在短期负荷预测中的应用

最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.     

基于改进Elman网络的燃气负荷预测

为提高燃气负荷预测的精度,分析了燃气小时负荷的变化规律和影响因素,建立了燃气小时负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF Elman)网络对燃气小时负荷进行预测.与传统的Elman网络比较,OIF Elman网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本点较少时,无论在训练速度上,还是在预测精度上,OIF Elman网络明显优于Elman网络.OIF Elman网络提高了网络的泛化能力,既降低了对训练样本个数的需求,又能提高预测精度,在燃气负荷预测中得到成功的应用.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

基于人工免疫算法的电网负荷预测模型的研究

为了克服传统神经网络预测方法在网络结构设计和收敛效果等方面存在的缺陷。提出了一种进行电力系统负荷预测的新算法———人工免疫算法。该算法是根据高等动物免疫系统的机理而设计的,将目标函数和一部分不等式约束条件作为抗原,将搜索空间的解作为抗体,依据抗原与抗体的结合力以及抗体之间的结合力对解进行选择,通过抗体之间的相互激励作用提高了最优点附近的搜索效率,通过记忆细胞对抗体的抑制作用有效地摆脱局部最优点。应用该模型于阜新地区负荷预测的实例中,结果表明,该模型与传统的神经网络预测方法相比具有较强的自适应能力和较好的效果。     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

自编码器与PSOA-CNN结合的短期负荷预测模型

提出了一种自编码器与PSO算法优化卷积神经网络结合的电力系统短期负荷预测模型。首先利用自编码器对相关变量数据进行处理,降低所需数据的噪声变量,提高预测效率;然后利用粒子群算法对卷积神经网络的权值和阈值进行优化,可有效提高预测模型的预测精度和预测速度。通过对实际电网的负荷数据进行仿真,验证了模型具有较高的预测精度。     

神经网络遗传算法在供热负荷预测中应用

针对BP算法收敛速度慢,存在易陷入局部极小值,不能有效地搜索到全局极小点等缺点.采用遗传算法优化神经网络权系值的方法,设计了神经网络供热负荷预测模型,并用实际数据进行了仿真检验,结果表明该模型不仅在一定程度上避免了学习中的局部极小问题、改进了网络性能、提高了学习的效率,而且对供热负荷预测具有较高的精度和可靠性.