共查询到18条相似文献,搜索用时 407 毫秒
1.
负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。 相似文献
2.
3.
针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。 相似文献
4.
为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法(flower pollination algorithm,FPA)与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。 相似文献
5.
6.
根据杭州地区每日96点负荷数据和气象资料,研究分析了春节期间用电负荷曲线的形状、走势和特点,综合考虑气象、历史负荷等对春节负荷变化的影响,采用了一种简便的负荷预测方法.该方法通过选取气象条件相似的双休日来预测春节日最大负荷,然后根据负荷特性分析的结果计算出各时段的负荷值.该方法工作量较小,预测精度较高.2007年杭州春节期间负荷的预测结果表明,这是一种行之有效的方法. 相似文献
7.
8.
基于RBF神经网络与模糊控制的短期负荷预测 总被引:1,自引:1,他引:0
针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数(Radial?Basis?Function,RBF)神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。 相似文献
9.
10.
利用粗糙集理论处理大数据量、消除冗余信息等方面的优势,找到了与负荷直接相关的因素。以利用遗传程序设计进行演化建模对贵州电网日96点负荷实例进行了预测,与BP神经网络法相比,本模型预测精度高,在短期负荷预测中具有有效性和可行性。 相似文献
11.
工业热负荷预测对保障工业生产过程安全和提高热电厂经济性具有重要意义,然而工业热负荷影响因素众多且有较强的随机性,因而采用常规单一负荷预测方法预测难度较大。建立了一种通过平均比例法将时间序列与支持向量机相结合的AP-TS-SVR混合模型,并对某热电厂工业热负荷进行了预测。结果表明,在预测的72h(3个预测日)中,只有6h的预测相对误差大于20%,单日平均相对误差最大为10.64%;与时间序列、支持向量机以及神经网络等单一方法的预测结果相比,AP-TS-SVR混合模型的预测结果较优。AP-TS-SVR混合模型仅需输入工业用户历史负荷数据即可进行热电厂工业热负荷短期预测,对热电厂按需供热具有重要的指导意义。 相似文献
12.
13.
针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲(DTW)和变分模态分解(VMD)的粒子群(PSO)优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。 相似文献
14.
15.
光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。 相似文献
16.
17.
The effects of applying micro-CHP systems to a single dwelling, and to various dwellings within a group, are investigated by using gas and electricity consumption data recorded on a 1-min time base across a full year. Micro-CHP systems based on Stirling engines and fuel cells are predicted to supply 25–46% of the single dwelling's annual electricity demand. For all days of the year, the daily load factor of the resultant load placed on the electricity network is reduced, suggesting that the overall effect of micro-CHP systems will be to provide highly dispersed base-load generation. Consideration of various penetration levels of a 1 kW Stirling engine micro-CHP system of 15% electrical efficiency indicates that the maximum reduction in the aggregate peak load for a single distribution transformer will be about 44% on a winter's day, but only 3% on a summer's day. An alternative implementation of 3 kW fuel cell systems of 50% electrical efficiency would yield significant reductions (both in the peak load and the daily requirement for network electricity) at low penetration levels, with significant reverse flows occurring at the distribution transformer once the penetration level exceeds approximately 15% on a winter's day. 相似文献
18.
基于Elman神经网络的短期风电功率预测 总被引:1,自引:0,他引:1
为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。 相似文献