首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   43篇
  完全免费   8篇
  综合类   51篇
  2013年   3篇
  2012年   1篇
  2011年   7篇
  2009年   3篇
  2008年   1篇
  2007年   5篇
  2006年   4篇
  2005年   7篇
  2004年   3篇
  2003年   4篇
  2002年   4篇
  2001年   3篇
  2000年   1篇
  1998年   2篇
  1997年   1篇
  1996年   1篇
  1995年   1篇
排序方式: 共有51条查询结果,搜索用时 31 毫秒
1.
基于RBF神经网络和专家系统的短期负荷预测方法   总被引:40,自引:2,他引:38  
深入研究了天气和特殊事件对电力负荷的影响,建立了结合径向基(RBF)神经网络和专家系统来进行短期负荷预测的模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线,然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正,使其在天气突变等情况下也能达到较高的预测精度。利用该模型编制的实用化软件在西北电网的多个电力局投入实际应用,结果表明:该方法用BP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。  相似文献
2.
一种基于模糊逻辑和神经网络的电力负荷预测方法   总被引:14,自引:2,他引:12  
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。  相似文献
3.
基于事例推理的短期负荷预测   总被引:13,自引:1,他引:12  
将人工智能中的事例推理(CBR)技术引入到电力系统短期负荷预测中,针对传统规则专家系统知识获取的“瓶颈”问题,事例推理充分利用另一种知识资源(以往预测成功的例子)来解决新的预测问题.以前的预测行为作为历史事例以一定的结构和方式存储在事例库中,对于新的预测问题,从事例库中找寻相似事例,并利用其结论,确定新问题的解决方法.实际算例表明,对于短期负荷预测问题,基于事例推理的预测系统在预测精度上优于单一的数学模型,具有较强的实用性.  相似文献
4.
短期电力负荷预测的小波支持向量机方法研究   总被引:11,自引:0,他引:11  
在充分研究和比较多种负荷预测方法的基础上,提出一种称为小波支持向量机(Wavelet Support Vector Machines,WSVM)的负荷预测新算法.该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上,引入非线性小波基函数来构造SVM的核函数,从而得到新的SVM模型,并给出了此模型的结构设计与实现算法.通过实例验证,该方法能有效提高预测精度.  相似文献
5.
基于神经元网络的短期电力负荷预测   总被引:7,自引:0,他引:7  
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%。  相似文献
6.
基于自组织特征映射神经网络的短期负荷预测   总被引:5,自引:0,他引:5  
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。  相似文献
7.
钢铁企业短期负荷预测的研究   总被引:5,自引:0,他引:5  
对大工业企业进行负荷预测是确定机组组合方案、企业与区域电网功率输送方案和负荷调度方案所不可缺少的.针对钢铁企业冲击负荷较多这个特点,使用灰色预测法、时间序列法、趋势外推法和回归预测法对某钢铁企业进行了48点负荷预测,结果表示除了必要的数据预处理以外,使用灰色理论和指数平滑法可以得到比较满意的结果.  相似文献
8.
电力系统短期负荷预测的多神经网络Boosting集成模型   总被引:4,自引:0,他引:4  
提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.  相似文献
9.
基于改进蚁群算法优化参数的LSSVM短期负荷预测   总被引:4,自引:0,他引:4  
提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71%,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61%和1.05%.  相似文献
10.
电力系统短期负荷预报的动态神经网络方法   总被引:3,自引:0,他引:3  
提出了一种用于电力系统短期负荷预报的动态神经网络模型。这种模型同时兼顾了时序法和相关法的特点,将日期特征量,气象特征量及一天的多个有功负荷水平作为神经网络的输入信息,通过对输入信息动态,灵活地处理,利用有监督的学习算法对神经网络进行训练,再预测下一天相应时间点的多个有功负荷,以提高有功日负荷的精度和方法的适应性,为电力系统经济负荷分配提供可靠的依据。  相似文献
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号