基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预测。采用了改进的ＢＰ学习算法,以提高训练的收敛速度,预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的。     

基于DMD-NARX模型的短期电力负荷预测方法

提出了一种基于DMD-NARX模型的短期电力负荷预测方法,深入地探索了负荷变化趋势和历史数据之间的内在关联,同时在短期预测的精度上有所提高。首先通过自相关函数(Autocorrelation function, ACF)并结合短期负荷波动的时间规律特性,在已有历史相关数据的基础上推导出相应日期的输入特征集合;然后将输入特征集合归一化后通过Hankel矩阵完成由单变量输入特征序列向多维数据矩阵的转换,以动态模态分解(Dynamic mode decomposition, DMD)为手段完成对上一步所得多维数据矩阵的动态模态估计和特征分解,同时对电力负荷底层的多尺度动态情况有了更加深入的掌握;最后使用基于外部输入的非线性自回归(Nonlinear autoregressive with external inputs, NARX)神经网络模型,同时以上一步取得的动态模态估值作为计算相应预测日期内各时段负荷分布的基础,并推导出最终预测结果。最终的测试数据证明,此方法较好地改善了模型的预测精度。     

短期电力负荷预测的模糊神经网络方法

针对短期电力负荷的复杂性和不确定性,提出一种应用模糊神经网络的短期电力负荷预测模型. 该模型具有神经网络的强有力学习能力. 由于利用了模糊理论处理非线性问题的能力以及从海量数据中抽取相似性的功能,因而弱化了神经网络对样本的依赖性,增强了外推性,可在一定程度上减少学习时间,并充分考虑气温变化对负荷的影响. 实验结果表明,该模型对短期负荷有较好的预测精度,具有实用价值.     

L2[0,1]上的小波包分解

给出了区间上的小波包的定义，对其性质做进一步的讨论，并给出[0，1]区间上的积分可积空间中正交小波包的正交分解．     

浅谈基于气象因素的电网短期负荷预测系统

电网负荷预测是电网建设的基础,也是电网的建设和布局的依据,电网负荷预测结果的准确与否关系到电力投资的效益。短期负荷预测的时间较短,周期为一到五年,主要是为配电网规划服务的。本文介绍了气象因素对电网负荷预测的影响,阐述了基于气象因素的电网短期负荷预测系统功能的实现。     

L^2（R）的多小波包分解

给出多波波包的定义,对其性质做进一步探讨,并给出平方可积空间中关于正交多小波包的正交分解。     

基于灰色关联聚类的负荷特性分类

以变电站负荷构成比例为基本特征,以负荷特性之间的灰色关联度作为基本测度指标,把灰色理论应用于负荷特性分类;并定义负荷特性的均值化特征向量,构造灰色关联度矩阵,提出一种基于元件的变电站综合负荷特性的分类方法.对湖南省48个220 KV变电站的负荷特性分类结果表明,该算法简易、快速、有效,分类结果合理,具有广阔的应用前景.     

一种对某地区电网短期负荷预测方法

短期负荷预测对电网运行意义重大,负荷预测的精确与否,对电力网络的控制、运行和计划有较大的影响。本文基于人工神经网络理论,通过建立网络模型,并编写相关程序,预测了未来一天24小时负荷值,并取得了较为理想的预测效果。     

基于小波包分解变换的图像数字水印嵌入算法研究

介绍了一种改进的基于小波包分解的自适应数字水印算法.该算法首先对水印图像作预处理置乱,然后对宿主图像进行3层小波包分解变换.在水印嵌入算法中,提出一种基于人类视觉特性(HVS)和小波包基的自适应水印嵌入算法.该算法引入人类视觉特性和基于小波包基的多分辨率嵌入技术,以达到更好的抗攻击鲁棒特性和视觉效果.     

基于相似日的神经网络短期负荷预测方法

对于受不确定因素影响的短期电力负荷,提出了一种基于相似日的神经网络预测方法。设计了一个规范化的相关因素映射数据表,应用聚类分析方法描述由于相关因素的不同而导致的待预测日与历史日之间的差异程度,选用日特征量相同或相近的历史负荷数据作为神经网络的输入元素进行预测。用该方法选取相似日可以较多的考虑各种因素,因此,具有较高的预测精度。     

基于灰色聚类的组合预测单项模型选择

建立组合预测模型关键是单项预测方法的筛选,本文将采用灰色聚类分析方法对单项预测模型组进行筛选.首先依据所研究的实际问题,建立多个单项预测模型,然后计算每一个单项预测方法的点拟合相对误差,最后再利用这些数据,借助灰色聚类方法实行对比评估,构建组合预测模型需求的各个单项模型,以增强该模型预测的准确性.应用实例的分析表明该方法是可行的和有效的.     

基于小波变换的模糊神经网络短期负荷预测方法

为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.     

基于分层聚类的k-means算法

为了更好地实现聚类,在分析分层聚类和k-means算法优缺点的基础上提出了一种改进的聚类算法.改进算法将分层聚类和k-means聚类算法的优点相结合,首先采用分层聚类,得到一个初始的聚类结果,然后应用k-means聚类算法继续聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好。     

GM（1,1）改进模型在广西短期电力负荷预测中的应用

采用ＧＭ（１，１）改进模型与ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型对广西自治区电网特殊日电力负荷进行组合预测，阐述了ＧＭ（１，１）改进模型的建立方法，提出了适用于广西纂驱电网特殊日电力负荷预测的预测数据处理方法，提高了预测的精确度，全年日镀优于９５％，解决了在日采样点为２４点（正点采样）情况下预测度较低的问题。     

基于小波包与自适应SVM的滚动轴承故障诊断方法研究

近年来,诸多学者针对滚动轴承故障问题进行了大量研究。本文利用基于小波包分解的时频域特征提取方法获取各频段能量谱。同时,为提高故障诊断模型的诊断精度,利用差分进化灰狼优化算法(Differential Evolution Grey Wolf Optimizer,DEGWO)实现支持向量机(Support Vector Machine,SVM)模型参数自适应。最后,通过具体实验完成故障特征提取与自适应故障诊断模型的构建,从而实现机械设备滚动轴承的状态监测与故障诊断。     

基于主成分分析法的遗传神经网络模型对电力系统的短期负荷预测

针对BP神经网络的两个主要缺点,网络训练速度慢,对初始权值阈值敏感,容易陷入局部极小点,本文利用多元统计分析的主成分分析方法(Principal components analysis,PCA),在不损失原始负荷数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时将遗传算法(GA)与BP神经网络...     

基于聚类和粗糙集的智能邮件过滤系统研究

粗糙集理论是一种新的处理不精确、不完全与不相客知识的数学工具，随着Internet的发展，以及电子邮件的广泛应用，将有大量的邮件以待阅读和处理，介绍了一种基于聚类和粗糙集对邮件进行过滤的系统，实战证明，这是一种可行有效的过滤方法。     

基于小波包的固液两相流流型识别方法

针对固液两相流特征参数和流型之间的非线性关系,提出了一种基于小波包分解和人工神经网络的流型识别方法.该方法首先用FLUENT软件建立物理模型和动力学模型并设置一个监测点,对采集到的速度波动信号进行6层小波包分解,得到最优小波树及其信息熵,然后将信息熵构成的特征向量输入BP神经网络进行训练和识别.最终的测试结果表明:该方法能有效克服传统识别方法存在的主观性,具有较好的识别效果,为固液两相流的流型识别提供了一种有效的选择.