基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

基于GRNN的电力系统短期负荷预测

提出了基于广义回归神经网络(GRNN)模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型,以此作为对GRNN进行训练的向量样本集.通过实例表明GRNN应用于电力系统短期负荷预测是可行并且有效的,其预报结果比多层前馈神经网络误差反向传播(BP)负荷预测方法更准确.     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

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。     

基于人工神经网络的负荷数据预处理

对历史负荷数据进行处理是提高电力系统负荷预测精度首先要解决的问题。脏数据处理的过程就是对于含有脏数据的负荷曲线模式的辨识过程。首先利用自适应共振网络(ART网)对日负荷曲线进行分类,确定出每一类负荷曲线的特征曲线;然后用超圆神经网络(CC网)对特征曲线进行脏数据辨识;最后利用扩展短期负荷预测方法对脏数据进行修正。对某市2002年8月份的数据进行脏数据辨识,结果证明所提出的模型对脏数据的平均检测率为92.11%,效果令人满意。采用该处理过的历史数据对某市2002年8月14日的负荷进行预测,结果表明,利用该方法处理后的数据进行负荷预测提高了负荷预测的精度。     

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.     

基于神经网络的短期电力负荷预测及其MATLAB实现

针对短期电力负荷预测问题,利用MATLAB软件建立日最高温度、日最低温度、日平均温度和平均湿度等气象因素对电力负荷的回归预测模型,具体对比给出BP神经网络与NARX神经网络两种回归预测结果,并通过对隐含层网络参数的调试对BP神经网络进行了适当的改进.     

人工神经网络在电力系统短期负荷预测中的应用

根据电力系统短期负荷变化的特性,提出BP模型在实际负荷预测应用中的方法和步骤．对BP网络结构、样本空间、收敛性等作了有针对性的研究．结果表明：多层神经网络应用于电力系统短期负荷预测是可行和有效的．其预报结果比传统的负荷预测方法更准确、经济、效果更好．     

基于K均值小波神经网络的二阶段空调负荷预测

结合聚类分析和小波神经网络模型,提出一种二阶段空调负荷建模方法,以提高空调负荷预测精度.首先利用K均值聚类算法将原始负荷样本数据依据其统计分布特性划分为若干簇类,以降低数据相关性对建模精度的影响;然后基于对每个划分簇类所属的样本数据建立相应小波神经网络空调负荷预测模型.最后基于De ST平台模拟数据,将构造的小波神经网络预测模型运用于福建某办公大楼的逐时空调负荷预测.通过对比均方根误差(RMSE)和平均绝对误差(MAPE),结果表明该模型的预测精度明显优于传统单一的小波神经网络和BP神经网络模型.     

基于免疫模糊聚类的LSSVM在短期负荷预测中的应用

最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.     

基于小波神经网络的燃气系统短期负荷预测

在燃气负荷预测中,由于日负荷的不稳定,仅以历史负荷为训练样本得到的人工神经网络难以满足日预测的精度要求。提出一种小波分析与BP神经网络相结合的预测方法。首先,将历史负荷序列进行小波分解成概貌序列和细节序列,并在此基础上利用概貌序列、细节序列,以及指数平滑和温度等多种因素训练BP神经网络,预测出未来燃气的日负荷。最后,对...     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

MapReduce框架下基于线性回归的短期负荷预测

为解决负荷预测时因数据量大、数据种类繁多带来的计算速度慢、预测精度低等问题,在MapReduce并行编程框架下,提出基于小批量随机梯度下降法的线性回归模型.首先,为清理智能配电终端产生的重复数据和不良数据,提出利用自适应近邻排序算法清除重复记录的数据,并利用K均值聚类的方法剔除异常数据和记录不完整的数据,然后利用F检验...     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.