基于小波变换和BP神经网络的时序风电功率预测

风电功率具有波动性,不论对于发电厂抑或是电网,准确地预测风电功率具有重要意义。本文研究了小波变换的原理和方法及BP神经网络的原理和算法,并建立了一种结合小波分解和BP神经网络的风电功率预测方法。本文的方法首先对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后再进行预测。最后,仿真结果验证了本文方法的有效性。     

基于VMD-JAYA-LSSVM的短期风电功率预测

针对风电功率预测中出现的随机性和波动性问题,提出了一种基于变分模态分解(VMD)和JAYA优化最小二乘支持向量机(LSSVM)参数的算法,实现短期风电功率的预测.该算法通过分析历史风速序列和气压对风电功率的影响,用VMD对历史风速进行分解,将分解出的风速分量结合气象因素中的气压作为LSSVM预測模型的训练输入,利用JA...     

基于小波神经网络的电力系统短期负荷预测模型研究

实现了BP神经网络电力负荷预测模型和小波神经网络电力负荷预测模型.通过对两种神经网络的算法进行理论分析以及两种模型的预测结果比较发现,小波神经网络在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度.小波神经网络是一种建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性.文中所指的小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测中得到验证.表明小波神经网络模型预测精度高,自适应性好,收敛速度也明显快.     

采用LSTM的风电功率预测方法研究

为实现风电功率的有效预测,本文提出了一种基于长短期记忆神经网络的风电功率预测方法,并建立了基于长短期记忆的风电功率预测模型。在公开的数据集中对该风电功率预测方法进行分析与验证。结果表明,该方法有较好的预测精度。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

基于FEEMD-PACF-BP_AdaBoost模型的风电功率超短期预测

针对风电功率超短期预测问题,提出基于快速集合经验模态分解(Fast Ensemble Empirical Mode De-composition,FEEMD)、样本熵(Sample Entropy,SE)和BP_AdaBoost集成神经网络组合的超短期风电功率预测模型.对风电功率原始数据,采用FEEMD方法将其分解为从一系列本征模态函数分量(IMF)和余项;运用样本熵来解决分量个数过多、计算量繁杂的问题,通过PACF(偏自相关系数)筛选出与预测值关联程度高的元素确定输入维数;选用泛化能力强的集成神经网络BP_AdaBoost构建单步滚动预测模型并叠加获得最终值.实验结果表明,该组合模型提高了预测精度,具有可行性和有效性.     

基于多层融合神经网络模型的短期电力负荷预测方法

针对传统的短期电力负荷预测模型存在的预测精度不高和滞后性的问题,本文提出一种基于卷积神经网络、长短时记忆网络和注意力机制下的混合神经网络模型来进行预测。利用卷积层对多维的电力数据影响特征进行提取,过滤筛选其非重要影响因子,完成电力数据相关特征的映射变换,再通过长短时记忆网络层的循环,对时序性电力数据特征选择性提取,最后利用注意力机制添加重要特征的权重,经Adam算法优化后输出电力负荷预测的结果。依靠GPU强大的算力支撑来解决预测数据时的实时性问题,凭借多融合神经网络的手段来提高其预测精度。经由算例验证,所提出模型真实可靠,预测质量显著优于其他传统模型。     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要;遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于小波分析与神经网络的交通流短时预测方法

提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波分解降维，预测由多个子网络独立完成，有效解决了多维神经网络的映射学习容易产生“疆数灾”的问题．示例结果表明，该方法比典型的神经网络预测准确度高、误差小．     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

基于BP神经网络的电力系统负荷预报

电力系统负荷变化易受多方面因素的影响,负荷曲线呈现出强烈的非线性。而BP神经网络具有较强的非线性映射特性,它只需输入输出样本数据而不需要做复杂的相关假定即可完成系统的建模。通过实验证明将该方法用于电力系统负荷的预报是有效可行的。     

基于神经网络优化组合的短期负荷预测

通过对电力负荷变化规律和影响因素的分析,集结多种单个模型所包含的信息,进行最佳组合,提出了在单一模型预测结果基础之上的基于神经网络的优化组合预测,确定了网络训练样本和隐含层的个数,可使提前一天的预测精度较传统预测模型有较大提高。并当发现某一点预测误差过大,可对该点利用文中提出的误差灰色模型修正预测结果,这样不仅可提高整体预测精度,更重要的是减小最大预测误差值和减少大预测误差发生的次数。仿真结果验证了该预测模型的可行性和有效性。     

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。