基于BP网络和RBF网络的电力系统负荷预测分析

给出了BP网络和RRF网络的构造过程和训练方法,在改进的BP网络中加入了动量项和变步长法,且考虑了影响负荷变化的主要气象因素,以适应天气的变化。在RBF网络中,采用了正交最小二乘法选取RBF中心,以克服传统K均值聚类法局部寻优的缺陷,利用改进的BP网络和RBF网络进行了短期电力负荷预测,并对训练的收敛速度和预测精度进行了分析。     

电力系统短期负荷预测的改进BP算法

提出了一种电力系统短期负荷预测的算法，通过增加势态项及采用步长自适应等方法的对传统的BP算法进行了改进，实例计算表明该算法可行。     

BP神经网络在电力系统短期负荷预测中的应用

电力系统短期负荷预测是电力生产部门的重要工作之一，本文利用BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

基于BP神经网络的电力系统负荷预测研究

通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于BP神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。     

基于BP网络的土壤水分预报研究

基于一个具有两个输入变量，一个输出变量的误差反传网络结构模型，对土壤床中10cm,20cm,30cm,40cm,50cm等不同深度处的水分含量进行预报，结果表明，该模型的预报精度较高，其最大相对误差为－4．04％，最小相对误差为－0．34％，平均相对误差为1．68％（绝对值），还能同时预报不同深度处的土壤水分。     

基于BP算法的电力系统负荷预测

本文分析了电力系统负荷预测的重要性和与负荷预测相关的数据的特点,给出了基于BP算法的电力系统负荷预测系统的体系结构,重点研究了多层前馈神经网络构建、数据预处理及网络模型的学习。将BP算法应用于电力系统负荷预测,可有效地克服数据不完整性、含噪声等复杂因素对预测结果的影响,提高预测精度。     

基于主成分分析的BP神经网络在电力系统负荷预测中的应用

BP神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,BP神经网络的预测精度会下降。针对这一问题,本文提出一种改进新方法,具体是利用主成分分析（PCA）方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络的结构,从而有效解决了BP网络预测精度下降的问题,最后通过实际的算例验证了该方法的有效性。     

基于MATLAB神经网络工具箱的电力系统负荷预报

提出的基于MATLAB神经网络工具箱的短期负荷预报模型,不仅简洁实用,而且涉及了天气和日期特征量,因而具有较高的预测精度.采用两种学习算法,用实际数据对ANN进行了训练,通过比较得出了优化模型.计算实例表明用该方法是可行的、有效的.     

小波网络和BP网络在负荷预测中的比较研究

从收敛速度、网络稳定性、泛化性能及预测结果等方面分析BP网络和小波神经网络的预测过程,探讨了差异的原因.发现:(1)BP网络预测稳定性强,易取舍数值,但预测速度较慢,预测精度不够理想;(2)小波网络预测速度快,精度高,泛化性能好,但稳定性能差,实际运用中还没有合适的数值取舍方法;(3)小波网络总体超过BP网络,但实际预测时技术问题较大.     

基于BP网络的房地产价格预测

成本是影响房产价格的主要因素之一。该文通过BP网络模型对房地产价格的计算和估测,用目前比较常见的检测方法对房地产价格进行分析,结果表明建立BP网络是一种简单易行、可以定量分析的预测方法,用于房产价格的预测是可行的。     

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.     

基于粗集理论与神经网络的电力系统负荷预测VoIP系统的QoS

介绍了一种基于粗集理论与神经网络相结合的电力系统负荷预测方法.运用粗集理论方法对不确定、不完整的历史数据进行属性的约简分析,并将约简后的属性作为人工神经网络的输入进行负荷预测;改进基因算法对神经网络权值修正.算例表明该方法可行、有效.     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于BP神经网络的高知识群体失业率预测研究

基于MATLAB仿真平台建立了高知识群体失业率预测的BP神经网络模型,应用数据插值及曲线拟合的方法,补充了高知识群体失业调查中未采集与未公布的数据,解决了失业率预测中的不完全数据问题,训练集和检验集与实际失业数据的仿真实测误差符合实用要求,有效提升了高知识群体失业预测的精确度.     

基于灰色BP神经网络的我国工业增加值预测研究

针对我国工业增加值存在季节波动性等外部因素影响其预测准确性不高的问题,提出了一种基于灰色BP神经网络的工业增加值预测算法,即采用以我国2008~2017年各季度工业增加值数据作为时间序列建立的灰色BP神经网络预测模型进行预测。结果表明,采用灰色BP神经网络组合模型预测的精度较灰色模型和BP神经网络模型精度分别提升了0.94%~4.98%和0.01%~0.08%,稳定性分别提升了1.43%~2.97%和0.03%~0.05%。此实验结果验证了灰色BP神经网络组合模型可以有效预测我国工业增加值的发展趋势,进而为政府部门制定工业发展政策提供有效依据。     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测,对利用Lyapunov指数算法进行负荷预测作了介绍,包括用混沌理论实现相空间的重构,以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程．实例预测结果,证明了算法的有效性,揭示了采用混沌理论进行短期负荷预测的优越性。     

基于灰色BP神经网络的中国人口预测模型

基于“国家人口发展战略研究报告”中的数据,采用“小波去噪”处理方法,建立GM（1,1）模型与BP神经网络相结合的灰色神经网络模型,对中国人口结构、分布、出生率、自然增长率、数量、抚养比例、男女比例等七个指标进行预测,并对预测结果运用PP样条拟合进行计算机模拟。     

基于BP神经网络的连铸板坯裂纹预报

分析了连铸板坯裂纹的成因,并根据连铸生产的特点和工艺条件,结合国内外一些先进钢铁厂板坯裂纹的防止对策,引入BP神经元网络,采用神经网络与专家系统相结合的方法,运用热电偶温度数据,结合结晶器液面、保护渣、钢号、钢液C,S,P含量等数据实现板坯表面裂纹预报。     

基于贝叶斯正则化BP神经网络的股票指数预测

提出了利用贝叶斯正则化BP神经网络对股票指数进行预测.通过对比实验表明,贝叶斯正则化的BP神经网络比相同条件下采用其他改进算法有较好的泛化能力,对股票指数预测有很好的效果.     

基于BP神经网络的连铸板坯裂纹预报

分析了连铸板坯裂纹的成因,并根据连铸生产的特点和工艺条件,结合国内外一些先进钢铁厂板坯裂纹的防止对策,引入BP神经元网络,采用神经网络与专家系统相结合的方法,运用热电偶温度数据,结合结晶器液面、保护渣、钢号、钢液C,S,P含量等数据实现板坯表面裂纹预报.