基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法

针对大部分预测方法难以适用于多源异构数据的处理,且存在能源类型考虑不全面等问题,提出了基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法.该方法通过K-means聚类算法分析用能行为并减少用能数据规模,利用遗传算法优化长短时记忆网络(LSTM)结合反向传播神经网络(BP)的预测模型,实现对智慧楼宇的能耗预测.基于TensorFlow深度学习框架进行实验分析,结果表明所提方法在12 h及120 h内预测结果的MAE值分别为1.79 J和2.11 J,预测效果稳定并优于其他对比方法,故具有一定的应用前景.     

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...     

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。     

基于BP神经网络的电力负荷预测仿真研究

人工神经网络应用于电力负荷预测是目前广泛研究的一个课题。本文首先介绍了人工神经网络在负荷预测中的应用概况,进而分析了BP神经网络原理、模型及算法,建立了负荷预测模型,并配置了网络的相关参数。进而对某地区一天的整点负荷进行预测,根据负荷预测得到的数据．经过Matlab仿真得到了负荷预测值与实际值的曲线,验证了BP神经网络应用于短期负荷预测满足一般精度的要求。     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于BAGGING算法和BP神经网络的电力系统负荷预测

电力系统负荷预测关系到电力系统的控制和运行计划,精确的负荷预测有助于提高系统的安全性和稳定性,从而可以提高电力系统的经济效益。电力系统负荷预测问题具有的数据量大、影响因素多等特点,使用单个BP神经网络进行负荷预测时,预测结果随机性大、精度低。本文把BAGGING算法思想与BP神经网络相结合起来,通过生成一组BP神经网络模型,挑选最好的网络模型最为最终的预测模型,进行负荷预测,以提高负荷预测能力。     

萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于改进BP神经网络法电力负荷短期预测

电力网络结构日益庞大,电力安全可靠运行难度不断增大,须提高电力负荷预测精度,以保证电力设备正常稳定运行。电力负荷变化具有非线性的特点,通过传统建立的模型难以精确预测电力负荷的变化,针对此难点,文中采用具有非线性特征的改进BP神经网络法进行短期负荷预测,在进行负荷预测算法时,为消除训练样本顺序的影响,将整个样本集替代单系列样本进行学习。选取某县城电力负荷历史数据作为样本,Matlab编程仿真,得出预测与期望结果比较接近,部分数据较精确,说明该算法具有一定的参考意义。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

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.     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

自由曲面加工误差预测 ——基于模拟退火算法优化的BP神经网络算法

针对三坐标测量机测量效率低的问题,建立了自由曲面加工误差预测模型.采用基于模拟退火算法优化的BP神经网络算法对自由曲面上若干个点的加工误差进行预测,结合模拟退火算法的概率突跳特性,在解空间中随机寻找目标函数的全局最优解,从而改进BP神经网络算法.为进一步提高算法的预测精度,采用加工误差分解的方法剔除点集中的奇异点.用三...     

基于BP神经网络的装备使用维修费用预测

在对装备使用维修费用分析的基础上,利用神经网络理论,建立了时间序列对象的反向传播(back-propagation,BP)预测模型,并应用于装备使用维修费用的预测研究,并通过对某型装备使用维修费用的预测分析,证实了本模型的科学性与正确性。     

基于改进萤火虫优化神经网络的WSNs分簇路由协议

针对无线传感器网络中能耗不均衡问题,提出了一种基于改进萤火虫算法优化反向传播神经网络的非均匀分簇路由协议.通过在萤火虫算法中引进权重因子并增加4个评价指标,来平衡簇内负载和减少簇间的通信距离.结合BP神经网络,优化路径选择和簇首选举方式,达到最佳成簇效果.仿真结果表明,改进萤火虫算法优化BP神经网络的非均匀分簇路由协议能有效延长网络生命周期,节省能量,并均衡能耗.     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

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.