基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

计及尖峰电价机制的短期负荷预测研究

针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。     

基于HPSO-TPFENN的目标机轨迹预测

轨迹预测在现代空战中发挥着重要作用。针对传统轨迹预测模型复杂度大,预测精度偏低,数据样本真实性、可靠性差等问题,结合轨迹数据具有时间连续性的特点,提出了基于HPSO-TPFENN的轨迹预测模型。在Elman神经网络的目标函数中引入时间收益因子,并利用杂交粒子群算法(HPSO)对改进的Elman网络进行参数寻优,构造了HPSO-TPFENN神经网络。提出将三维坐标进行独立预测的方法,并根据空战训练测量仪(ACMI)中记录的真实数据,构建了包括航向角和俯仰角在内的轨迹预测数据样本,建立了基于HPSO-TPFENN的轨迹预测模型。通过仿真实验对比分析了模型进行轨迹预测的精度和实时性,结果表明模型在不同方向的预测误差不超过1%,连续进行595次预测耗时42 ms左右,可以准确、快速地对目标机的轨迹进行预测。     

基于Elman神经网络的PM_(2.5)质量浓度区间预测

针对PM_(2. 5)质量浓度序列不确定性和随机性特征,提出一种基于互补集合经验模态分解和优化Elman神经网络的区间预测模型.首先,利用互补集合经验模态分解将原始PM_(2. 5)质量浓度序列进行分解,并用样本熵将其重组为复杂度差异明显的子序列.其次,针对各子序列分别用多输入单输出Elman神经网络(Elman neural network,ENN)建立PM_(2. 5)质量浓度预测模型.在各子序列预测结果基础之上,采用多输入双输出Elman神经网络实现PM_(2. 5)质量浓度区间预测.最后,为了进一步提高预测模型性能,提出一种区间预测评价指标作为目标函数,采用思维进化算法对Elman神经网络权值β和阈值b进行寻优.基于北京工业大学校园监测站点采集数据,验证了预测模型的可靠性和有效性.所提预测模型为PM_(2. 5)质量浓度预测提供了一种方法.     

基于PSO-WNN模型的超短期风速预测及其误差校正

小波神经网络(wavelet neural network,WNN)具有多分辨率局部时频特性,在风速预测中得到了广泛应用,但模型参数的优化选择是一难点,为此提出一种基于PSO(粒子群算法)-WNN的超短期风速预测模型。引入粒子位置变化量与二阶振荡环节改进粒子群算法,以平衡粒子群的全局搜索能力和局部改良能力;采用改进的粒子群算法优化WNN模型参数,进而对风速进行超短期预测;为进一步减小预测误差,分析风速预测的模型误差及其相关因素,并采用一阶线性回归法进行误差校正。算例表明,所提PSO-WNN预测模型及误差校正措施能够有效提高风速预测模型的泛化性能和预测精度。     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

基于IABC-RBF神经网络的地下水埋深预测模型

为了验证基于改进人工蜂群算法的径向基函数（RBF）神经网络模型在地下水埋深预测中的可行性和优越性,在基本人工蜂群算法中引入高斯变异算子,优化初始蜜源位置,设计建立基于改进人工蜂群算法的RBF神经网络模型（IABC-RBF）. 通过输入泾惠渠灌区的年降雨量、年渠首引水量、年田间灌溉用水量、年地下水开采量和前一年的地下水埋深共5个相关影响因子的数据,对地下水埋深进行预测,与实测的地下水埋深数据进行比较,误差很小. 与RBF神经网络模型和基于基本人工蜂群算法训练的RBF神经网络模型（ABC-RBF）的预测结果进行比较,结果表明,基于改进人工蜂群算法的RBF神经网络模型收敛速度更快,预测结果误差最小,精度最高.     

基于ABC-BP模型的基坑地表沉降预测

目前基坑工程普遍仅关心地表沉降值是否超出监测预警值,缺乏对基坑地表沉降短期实时预测的有效方法,降低了基坑安全性。利用人工蜂群算法优化BP神经网络的组合模型可合理预测基坑地表沉降。首先,结合灰色相关度理论,对输入变量进行筛选,提高网络结构的高效性;接着,利用人工蜂群算法优化BP神经网络初始值,实现对地表沉降累计最大值及位置的预测;最后,将ABC-BP模型与其他常见神经网络预测模型对比,验证模型有效性。从预测和对比结果中可知,ABC-BP模型训练及预测结果的平均相对误差为3.27%,均方根误差为3.87,验证模型有效。     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

基于数据融合的ABC-SVM社区疾病预测方法

针对现有社区医疗服务中的疾病预测方法存在数据利用率低、疾病分析类型单一、自动化程度差、疾病预测效果不理想等不足,提出在物联网大数据环境下可用于社区医疗的健康数据融合及疾病预测方法. 通过主成分分析(PCA)和聚类分析对社区中居民的生理指标数据进行特征提取;结合人工蜂群(ABC)算法构造支持向量机(SVM)非线性分类器对数据进行特征级融合分析并预测潜在疾病. 实验结果表明,所提方法的疾病识别准确率达到93.10%,相较于传统SVM方法和BP神经网络方法分别提高17.24% 和72.41%. 该方法能够在提高数据利用率、降低计算资源消耗的前提下有效识别多种潜在疾病,可实现疾病早发现、早预防、早治疗;可广泛应用于社区健康管理、老年社区监护甚至临床医疗.     

基于信息熵加权的Elman神经网络状态趋势预测

为克服预测神经网络输入值对网络输出预测值贡献程度基本等同的缺陷,提出一种信息熵加权的神经网络智能预测方法。提出信息熵权值的计算方法和延时重构的加权前处理方法,并以Elman神经网络为基础,构建基于信息熵加权Elman神经网络的预测模型。烟气轮机状态趋势预测实例表明,基于信息熵加权Elman神经网络预测方法的预测效果较好,为状态趋势预测提供了一种新方法。     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

一种高压开关柜温度预测的改进方法

对一种Elman神经网络进行高压开关柜温度预测的方法进行改进,融合小波包分析的方法对温度样本进行硬阈值平滑优化,与Elman神经网络松耦合组成松散型小波神经网络进行超短期温度预测。仿真结果表明,改进方法相比单一的Elman神经网络有效预测比率提高,均方根误差下降,其结果与实测温度值更加吻合,提高了预测的准确率和精确程度。     

Prediction of SYM-H index by NARX neural network from IMF and solar wind data

SYM-H is one of the important indices for space weather. It indicates the intensity of magnetic storm, similarly to Dst index but with much higher time-resolution. In this paper an artificial neural network (ANN) of Nonlinear Auto Regressive with eXogenous inputs (NARX) has been developed to predict SYM-H index from solar wind and IMF data. In comparison with usual BP and Elman network, the new NRAX model shows much better prediction capability. For 15 testing great storms including 5 super-storms of Min. S...