能耗管理系统不同数据预测模型的比较研究

分析了建筑能耗的影响因素,建立了BP神经网络预测模型,基于径向基网络的预测模型和灰色BP神经网络预测模型。并以上海某大型公司建筑原始用电能耗统计数据作为样本,采用Matlab对预测模型进行仿真预测,分别得到公司建筑用电量峰电、谷电和平电的预测结果。结果表明,灰色BP神经网络预测效果较好。     

人工鱼群神经网络在电力系统短期负荷预测中的应用

短期负荷预测结果对电力系统的经济效益具有重要影响.人工鱼群算法是最新提出的新型寻优策略,具有良好的克服局部极值、获得全局极值的能力.文章建立了一种新的人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,再将该神经网络用于短期负荷预测.对某电力系统进行的负荷预测结果表明,该方法与传统的BP神经网络预测方法相比具有较强的自适应能力和较好的预测效果.     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

基于改进BP神经网络的建筑用电量预测

在建立城市层面的建筑用电量预测模型时,对BP神经网络结构及其训练算法进行了研究。针对常规BP网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的L-M算法进行了改进,建立了基于改进BP神经网络的建筑预测模型。最后通过上海市某栋公共建筑原始用电能耗统计数据作为样本对该预测模型进行了验证,验证结果表明,基于改进BP神经网络的预测模型适合建筑的用电量预测。     

考虑气温和时间因素的短期电力负荷预测

针对传统的Elman神经网络模型预测存在准确度不高的问题,提出了考虑影响因素的改进型Elman神经网络短期负商预测模型。用人工鱼群算法优化Elman神经网络预测模型的权阈值,使Elman神经网络模型收敛速度更快,准确度更高。以气温因素和时间因素作为模型输入量,分别预测工作日、非工作日和节假日的负荷。Matlab仿真结果表明,考虑影响因素的改进型Elman神经网络预测模型准确度更高,     

基于人工鱼群神经网络的抽油机故障诊断

BP神经网络应用于抽油机的故障诊断时易陷入局部极值,同时收敛速度也无法保证。在此前提下,提出人工鱼群神经网络算法的抽油机故障诊断新方法,充分利用人工鱼群在全局范围的快速寻优特性以克服BP神经网络收敛速度较慢和易陷入局部最优解的缺点,从而提高故障诊断的准确率和速度。以抽油机的管漏、供液不足、杆断脱、泵漏失、气影响五种故障类型为例,利用MATLAB分别搭建了传统BP神经网络和人工鱼群神经网络的模型,并对两种方法的诊断结果进行了比较。仿真结果充分说明了人工鱼群神经网络在抽油机故障诊断中的可行性、准确性和优越性。     

基于BP神经网络的电站负荷预测仿真研究

随着神经网络理论在电力行业应用不断广泛和深入,神经网络用于电力负荷预测也取得一定成果。为了减小负荷预测的误差,提高预测精度,将BP神经网络引入电站负荷预测,首先介绍了电力负荷传统预测方法,进而引出了人工神经网络预测方法,分析了BP神经网络原理、模型及算法,通过m语言在MATLAB中建立了负荷预测模型,对实际电站数据进行了仿真分析,得到了训练误差曲线,验证了BP神经网络应用于负荷预测满足一般精度的要求,从而改进了传统方法带来的误差,使预测结果接近实际值。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型。根据该模型建立相应的RBF神经网络进行预测。并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值。     

基于PCA-BP神经网络的大型公共建筑能耗预测

针对大型公共建筑高能耗问题,提出了主成分分析(PCA)与BP神经网络相结合的大型公共建筑能耗预测模型。基于时间序列对历史逐日耗电量进行相关性分析,提取预测点前三天的逐日耗电量,并与前一天日照、温度、相对湿度、风速的平均值进行主成分的浓缩,然后将其作为BP神经网络的输入,从而降低输入变量的维数,简化网络结构。结果表明,较传统的BP网络,大型公共建筑能耗预测模型具有较高的精度和更短的学习时间,但当预测样品数增加时预测误差逐渐增大。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型.根据该模型建立相应的RBF神经网络进行预测.并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于改进MOPSO-BP算法的短期电力负荷预测研究

短期电力负荷预测为电力规划的科学性、电力调度的合理性、电力运行的经济性提供了有效的指导,近年来,神经网络在预测短期电力负荷中得到了广泛应用。针对BP神经网络预测方法的自主学习能力强但预测结果容易陷入局部最小值的缺点,首先建立了三种短期电力负荷预测模型,分别是基于BP神经网络的预测模型,基于自适应网格法的多目标粒子群优化算法(MOPSO)优化BP神经网络的MOPSO-BP预测模型,以及基于拥挤距离法改进的MOPSO优化BP神经网络的改进MOPSO-BP预测模型;再利用Matlab软件进行仿真对比,研究哪种模型预测电力负荷的精度更高。结果显示,基于拥挤距离法的改进MOPSO-BP模型预测结果比其他两个预测模型的预测结果更接近真实负荷值,这表明利用改进MOPSO-BP模型对电力负荷预测的效果最好,可以为现场短期电力负荷预测提供理论依据与借鉴。     

改进AFSA-BP神经网络的湿度传感器温度补偿研究

为减小温度对声表面波射频识别(SAW-RFID)湿度传感器测量精度引起的误差,需要对实测的湿度进行温度补偿。通过对人工鱼群算法(AFSA)中鱼群初始化方式、视野和步长以及拥挤度因子的改进研究,得到改进的AFSA。采用改进的AFSA对反向传播(BP)神经网络的初始权值阈值进行全局寻优,再用寻优后的权值阈值建立的BP神经网络对SAW-RFID湿度传感器进行温度补偿。最后将此方法建立的BP神经网络、传统BP神经网络和遗传算法神经网络(GA-BP)的性能及温度补偿结果比较。实验结果显示,改进的AFSA收敛速度快、寻优能力强,建立的网络模型能有效降低温度对湿度测量精度的影响,提高了湿度测量的精度。     

智能配电网环境下负荷预测研究

智能配电网环境下,负荷预测精度的高低影响着电网运行的安全性和经济性,为了提高负荷预测精度,提出了人工鱼群-反向传播算法（AFSA-BP）的电力负荷预测模型。传统BP算法由于输入神经元,隐层神经元和输出神经元之间的初始权值和阈值为随机获取,降低了算法的收敛速度和预测精度,采用AFSA算法对BP算法的初始权值和阈值进行全局寻优,获得最优的网络模型。在分析了电力系统负荷特性的基础上,采集历史负荷数据,天气和节假日信息,采用AFSA-BP算法建立短期负荷预测模型。为了验证该算法的准确性,分别采用BP、最小二乘-支持向量机（LS-SVM）、AFSA-BP算法对某省的电力负荷进行仿真实验,AFSA-BP算法的均方根误差（RMSE）为0.0862,而BP算法和LS-SVM算法的RMSE分别为0.2558和0.1522,结果验证了AFSA-BP算法适用于短期电力负荷预测。     

灰色动态BP神经网络在光伏短期出力预测中的应用

针对传统BP神经网络在光伏发电短期出力预测中的不足,提出并实现了一种基于灰色动态BP神经网络的光伏发电短期出力预测模型。通过灰色系统理论对BP神经网络因子集进行优化,同时对BP神经网络的隐含层节点数进行动态调节。将提出的模型应用于真实的光伏电站短期出力预测中,预测结果和实测结果吻合度较高,验证了模型的有效性。     

基于自适应樽海鞘算法优化BP的风光互补并网发电功率预测

为解决风光互补并网发电功率预测问题,针对前馈(BP)神经网络容易陷入局部最优而导致预测精度降低的问题,提出了一种自适应樽海鞘算法(ASSA)优化BP神经网络的风光互补并网发电功率预测模型。首先,在标准的樽海鞘算法(SSA)中引入动态权重策略和变异算子构建ASSA。其次,引入BP神经网络算法,构建BP神经网络的风光互补并网发电功率预测模型。最后,通过ASSA算法优化BP神经网络的权值和阈值,提出ASSA-BP的风光互补并网发电功率预测模型。仿真结果表明,利用ASSA-BP模型预测发电功率数据的相对误差小于BP模型预测数据的相对误差。ASSA-BP和SSA-BP的模型平均绝对误差数值更小,ASSA-BP模型的平均绝对误差最小,ASSA-BP模型的预测稳定性最强。该预测模型较传统风光互补并网发电功率预测方法有更高的精确度。     

基于改进灰色神经网络的学生体育成绩预测

学生体育成绩预测是指导体育课程制定和提高训练效果的关键。针对现有学生体育成绩预测模型精度低、收敛速度慢的问题,提出了一种基于灰色神经网络的学生体育成绩预测方法。该方法采用灰色模型和BP神经网络组合的方式,克服了单一模型的缺陷。为解决模型随机初始权值和门限设定对预测精度的影响问题,利用遗传算法对初始权值和门限进行优化,进一步提高了模型的预测精度。测试结果表明,该模型能够有效克服传统预测模型不足,具有较高的预测精度。     

咸阳市电力系统短期负荷预测分析与研究

主要研究考虑各种因素影响的咸阳市电力系统短期负荷预测模型与算法。传统预测算法只是基于找寻历史负荷数据规律,没有考虑外部因素对负荷值的影响,从而降低了预测精度。针对这些不足,首先分析了影响咸阳市电力负荷值的几个主要因素,然后提出了考虑这些因素影响的改进型神经网络BP算法预测模型,利用该模型对咸阳市电力负荷值进行预测。预测结果表明：该模型完全适用于咸阳市电力负荷预测,考虑因素影响的预测算法效果优于传统方法。     

基于改进果蝇算法优化BP神经网络的接地网腐蚀速率预测模型

为进一步提高接地网腐蚀速率的预测精度,解决传统模型易陷入局部最优且随机初始化模型参数影响预测准确性和稳定性的问题。文中首先将混沌映射、动态搜索半径策略和优化气味浓度判定公式引入果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)得到改进后的果蝇优化算法(Update Fruit Fly Optimization Algorithm,UFOA);然后利用UFOA优化BP神经网络的初始权值和阈值,建立基于UFOA优化的BP神经网络接地网腐蚀速率预测模型(UFOA-BP);最后以重庆24座变电站的接地网数据进行实验验证。结果表明相对FOA优化的BP神经网络模型、BP神经网络模型、人工蜂群算法优化的支持向量机模型和广义回归神经网络模型,文中提出的UFOA-BP模型在预测精度和模型稳定性方面均优于其他四种模型,验证了该模型的有效性和可行性,为运维人员提前发现接地网安全隐患,并安排检修,进而保障电网安全稳定运行提供帮助。