基于WNN-GNN-SVM组合算法的变压器油色谱时间序列预测模型

分析了小波神经网络(WNN)、灰色神经网络(GNN)、支持向量机(SVM)预测方法的原理,利用粒子群优化(PSO)算法对这3种基本预测方法进行了结构参数优化。将WNN、GNN、SVM与PSO-BP算法进行组合,推导得出了组合预测模型最优权系数的计算方法,并优化了组合预测模型拓扑结构参数。算例分析结果表明:经过PSO算法优化后,WNN、GNN、SVM预测模型的预测精度得到了提高,其组合模型较单一模型有更高的预测精度。     

基于PCA和RBF神经网络的中长期负荷预测方法

针对电力系统负荷预测问题,利用径向基函数(RBF)神经网络补全历史负荷数据,然后在主成分分析(Principal Component Analysis,PCA)和RBF神经网络原理的基础上,结合PCA和RBF神经网络方法进行负荷预测。实例表明该方法能有效降低输入变量的维数,且具有较高的精度。     

小波神经网络预测变电站VRLA电池工作寿命

研究预测变电站阀控式密封铅酸(VRLA)电池工作寿命的方法。引入小波神经网络(WNN),建立电池工作寿命的WNN模型,再通过实验数据对WNN模型进行训练,得到用于电池运行寿命预测的WNN模型,最后将WNN模型的预测结果与实际结果进行对比。预测的平均相对误差为1.49%,最大相对误差为2.35%。WNN模型可以快速、准确地得到电池的工作寿命,可用于变电站电池工作寿命的预测。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

基于PCA-BPNN的学生写作成绩预测模型研究

针对传统学生英语写作成绩预测方法准确率偏低的情况,提出一种基于主成分分析(PCA)和BP神经网络相结合的写作成绩预测模型。首先,用PCA对所建立的学生写作评价体系作数据降维处理,提取前3个主成分,构建了新的样本矩阵,再对BP神经网络进行训练和泛化能力测试。仿真结果表明：单一的BPNN预测最大相对误差为-2.165%,PCA BPNN预测最大相对误差仅为-0.824 2%,PCA BPNN简化了网络结构,提高了单一BPNN的训练速率、预测精度和泛化能力,验证了所提出的模型的有效性。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)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,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.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结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

变电站阀控式密封铅酸材料电池工作寿命预测

预测了变电站中所使用的阀控式密封铅酸材料电池的工作寿命,以小波神经网络(简称WNN)为基础建立电池工作寿命的WNN模型,以实验数据为基础训练其中的WNN模型,得到可预测电池工作寿命的WNN模型,将预测所得结果与真实值进行比较。经分析可知,所得预测值的最大相对误差小于2.5%,且相对误差的平均值为1.4%。由此可得,以WNN模型为基础对电池的工作寿命进行预测的结果较准确,可对实际中变电站电池的工作寿命进行预测分析。     

基于小波神经网络的感应电机直接转矩控制

为了改善感应电机传统直接转矩控制(DTC)的性能缺陷,特别是低速状态下定子磁链畸变、定子电流谐波大、电磁转矩脉动大的缺点,提出一种基于小波神经网络(WNN)的新型非线性自回归移动平均模型(NARMA)。该模型根据H.Akaike的最终预测误差(FPE)准则确定WNN模型中所需的最佳小波个数。小波神经网络有很强的自学习能力,经过训练可很好地识别DTC系统,基于WNN的NARMA速度控制器可代替PI控制器控制感应电机的转矩。理论分析和仿真表明,该方法是非常有效的。     

基于粗糙集理论-主成分分析的Elman神经网络短期风速预测

为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。     

基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测

为进一步提升光伏输出功率短期预测的准确性和稳定性,提出一种基于相似日聚类的小波神经网络(wavelet neural network,WNN)和AdaBoost的混合预测模型。首先利用模糊C均值聚类(fuzzy C-means algorithm,FCM)算法将初始数据集按照不同的季节和天气类型进行划分;其次选用WNN作为改进AdaBoost算法的基学习器,构建WNN-AdaBoost模型,并使用改进混合灰狼优化(improved hybridizing grey wolf optimization,IHGWO)算法优化WNN的小波因子和权值;最后选用我国中部地区某光伏电站实采的输出功率数据进行算例分析,通过与其他模型的对比,验证了所提模型的预测效果。实验结果表明:在不同季节和天气类型下,所提模型均能得到较好的预测结果,在有效提升光伏短期输出功率预测精度的同时,兼备了较强的适应性和鲁棒性。     

基于主成分分析法的风电功率短期组合预测

间歇性与不确定性是风力发电的固有特性,在风力发电迅速发展的背景下风电功率预测的重要性日渐凸显。为了减少单一模型在个别预测点误差较大的情况,提高整体预测方法的预测精度及相对误差率,本文采用反向传播(BP)神经网络以及支持向量机(SVM)两种基本模型进行组合,并引入粒子群(PSO)以及交叉验证(CV)算法来优化模型中的参数。结合主成分分析法(PCA)对原始数据进行预处理,在不降低预测精度的前提下,对原数据进行降维处理从而提高运算效率。使用模型分别对未来5天进行预测,结果表明组合预测模型的标准平均误差(NMAE)、标准均方根误差(NRMSE)都满足国内现行指标,而且预测精度比单一模型有很大提高,相对误差更加稳定,有效减少了较大误差点的出现。实例研究表明,基于主成分分析法的风电功率短期组合预测模型的可行性。     

基于主成分分析的神经网络动态集成风功率超短期预测

为了解决风电功率神经网络预测输入变量多、计算效率低、泛化能力较差的缺点,采用主成分分析法(PCA)减少变量数。用神经网络动态集成的方法构建出较强泛化能力的BP网络集成。采用南方某风电场的数据进行了预测,比较了选取全部气象参数、部分气象参数和基于PCA处理后的数据作为神经网络输入对预测精度和计算效率的影响,结果表明采用PCA能在不降低预测精度的情况下,大大提高运算速度。通过对比单个和集成BP神经网络预测结果发现,采用集成网络的预测精度比单个BP网络精度有所提高,特别是风速突变的情况下更加明显。     

基于混沌CSO-WNN-RBF的光伏功率超短期组合预测

针对现有的光伏功率超短期预测方法难以得到所需复杂的气象数据,且光伏时间序列具有混沌特性,将小波去噪后的光伏电站的历史功率数据利用C-C法挖掘数据自身所包含的各影响因子.利用鸡群算法(CSO)对小波神经网络(WNN)的初值进行寻优,来提升WNN的预测性能.由于径向基函数(RBF)神经网络预测模型处理非线性输入输出关系具有较好的效果,将光伏功率时间序列分解为线性部分和非线性部分.提出一种CSO-WNN-RBF组合预测模型,利用CSO-WNN模型和RBF模型有序预测序列的线性部分和非线性部分,实现光伏电站输出功率的超短期组合预测.最后进行算例分析,将CSO-WNN-RBF预测模型与CSO-WNN预测模型、RBF预测模型进行预测效果对比.结果表明,所提方法在各天气类型中均保持良好的预测准确度和适用性.     

基于KMO-Bartlett典型风速选取的PCA-WNN短期风速预测

针对风电功率预测时风速信息冗余,导致神经网络难以把握内在规律而影响训练效率的问题,选取最佳风速数据进行主成分分析,采用改进小波BP神经网络对风速进行预测。通过KMO和Bartlett球度双检验选取最佳风速数据,从而充分利用主成分分析法对风速数据进行提取以优化神经网络的输入,提高网络收敛速度和预测精度。通过某风电场风速数据仿真分析,与其他预测方法进行对比,结果表明该模型预测精度高、泛化性能好,验证了该预测方法的正确性和有效性。     

一种新的电压偏差预测方法

针对电压偏差预测难度大的问题,文中提出一种新的电压偏差预测方法。该方法包括主成分分析法(principal component analysis,PCA)降维、亲和力传播(affinity propagation,AP)聚类、反向传播(back propagation,BP)神经网络预测3步。通过PCA对数据进行降维,获得数据主成分;为了弥补传统聚类方法的不足,提高聚类效果,文中引入AP聚类提取与待预测点同类的历史数据;最后选择BP神经网络建立电压偏差预测模型。将文中方法应用于实际电压偏差数据,结果表明该方法预测结果平均相对误差为3.06%,优于传统BP神经网络预测模型以及BP神经网络结合PCA降维的预测模型。     

基于主成分分析与前向反馈传播神经网络的风电场输出功率预测

为了解决单一的传统预测方法在风电场输出功率预测中存在的问题,提出了基于主成分前向反馈神经网络的预测方法。首先采用K-S方法对样本进行选取;然后用主成分分析法提取样本有效信息,求解出主成分,构建神经网络模型进行输出功率预测。结果表明,主成分分析后的神经网络模型消除了输入因子的相关性并简化了网络结构,使网络加速收敛。实例验证,与单一的神经网络模型相比,预测精度有所提高,为风电场输出功率预测提供了一种有效的方法。     

基于核主成分分析和极限学习机的短期电力负荷预测

电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R²为0.958 2,与其他两个模型相比有更高的预测精度。