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.     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法. 该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率（ERR）修剪算法剔除对整个网络影响较小的模糊规则. 该算法还使用了分级学习法让网络的学习速度大大提高. 在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量. 仿真结果显示取得了较好的预测准确率.     

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。     

基于改进RBF神经网络的电力系统短期负荷预测

提出一种交替梯度算法,对径向基函数(RBF)神经网络的训练进行改进.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.采用该改进算法应用于电力系统短期负荷预测模型,综合考虑了气象、日类型等影响负荷变化的因素,预测结果表明该算法具有一定实用性.     

结合神经元网络和模糊专家系统进行电力短期负荷预测

结合人工神经元网络（ＡＮＮ）和模糊专家系统进行负荷预测．给出了径向基函数（ＲＢＦ）网络的结构,并采用正交最小平方法（ＯＬＳ）选取ＲＢＦ中心．先用ＡＮＮ进行基本负荷预测,然后考虑天气变化和假日因素所引起的负荷变化,利用模糊专家系统进行负荷调整．文中还把日期划分为５类．测试结果表明,该方法具有较高的精度和较快的速度．     

基于PSO聚类分析和RBF网络的短期电价预测

针对短期电价预测具有的周期性及难预测性等特点,研究现存的人工神经网络预测方法,提出一种基于PSO聚类分析和RBF网络的短期电价预测方法。利用粒子群算法优化聚类分析的聚类半径,并用优化后的聚类方法对电价的历史数据按相似的程度分类,得到一类相似度最高的数据作为输入数据并进行预处理,建立相应的RBF网络预测模型,对短期电价进行预测仿真。通过实例分析验证了该预测模型能够有效、稳定地将预测精度提高至0.3%左右。     

基于径向基函数和模糊逻辑的短期电力负荷预测

综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,提出了将径向基(RBF)网络和模糊逻辑相结合的预测方法。利用具有非线性逼进能力的RBF神经网络预测出预测日的最大负荷值和最小负荷值,并用模糊逻辑预测出预测日的负荷系数,进而得到预测日的负荷值。实际算例表明:该方法同BP网络相比,具有较高的预测精度,证明了该方法的有效性。     

基于时空图注意力的短期电力负荷预测方法

准确的电力负荷预测对现代电力系统的安全经济运行至关重要.电力负荷预测可以表述为一个具有一定潜在空间依赖性的多变量时序预测问题.然而,大多数现有的电力负荷预测工作未能探索这种空间依赖关系.基于此,本文提出了一种基于时空图注意网络的短期电力负荷预测方法.提出一种基于时空图注意网络模块,该模块使用图注意层实现自适应的捕捉各用户间的潜在空间依赖性,同时使用门控卷积注意力层对各用户用电量在时间维度上进行自适应拟合,以提高网络的预测精度.实际数据实验表明,本文提出的模型整体预测精度提高明显,特别是在一定程度上缓解了长程预测精度恶化的问题,验证了所提方法的有效性与可行性.     

有关电力负荷的短期预测初探

所谓的电力负荷短期预测指对一年以内用户需求用电量的预测,其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态,其以过去负荷为基础,用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。     

基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF神经网络相比,具有较高的预测精度,同时具有较强的实用性．     

一种基于模糊逻辑和神经网络的电力负荷预测方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,并开发了实用化的负荷在线预测软件,该软件是基于Windows的应用程序,具有开放式的结构和友好的人机接口,可用于每小时或每15min的负荷预测,测试结果表明,该方法具有良好的预测精度。     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于事例推理短期负荷预测方法的改进

针对基于事例推理（CBR）短期负荷预测中的事例库组织，提出第一级按不同的时刻和星期类型粗分类、第二级按照模糊聚类方法细分类的二级分类方法，可以很好地实现不同预测环境之间的相似性和相异性；针对事例的检索，提出模糊优先比的定量属性检索方法，按此方法进行检索不但可以提高检索效率，还可以对检索过程进行控制．实际算例表明，以此方法进行负荷预测的周平均相对误差为2．620%，低于一般的CBR方法和单一预测方法．     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

关于BP算法在负荷预测相关问题探讨

本文在研究了神经网络的模型建立问题基础上,探讨了电力负荷BP算法的建模方法,包括对BP网络模型建立中的隐含层数确定、隐含层节点数确定、训练次数与精度的关系、学习速率的选择、初始权值、训练样本的选择及归一化处理等相关问题进行了较深入定性和定量分析,并通过算例进行了比较实验,得出有益结论。     

径向基神经网络在入侵检测中的应用

与广泛使用的BP网络模型相比,径向基函数神经网络具有训练时间短且不易收敛到局部最小的优点.将3种径向基神经网络应用到入侵检测中,用于入侵模式识别的分类和预测,从而提高入侵检测系统的检测率并降低误报率.     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要．采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化．实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的．     

一种应用时间序列技术的短期电力负荷预测模型

提出一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法 .它包括一个具有非线性特性的传递函数模型 ,可以考虑气温等外界因素对负荷的非线性影响 ,能使预测及时跟上负荷变化的趋势 ,适用于由于天气等因素变化引起负荷突变的预测场合 .为了更好地处理影响电力系统负荷的不确定性因素 ,便于利用预报人员的丰富知识和经验 ,此文采用了具有较强结构性知识表达能力的模糊逻辑技术与时间序列相结合的方法进行负荷预测 .测试结果表明了该方法的有效性