基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电。针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法（QPSO）优化神经网络权值,并运用模糊理论进行修正。某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于联想神经网络算法的电力系统负荷预测

基于神经网络可以模仿人脑进行智能化信息处理,对大量非结构性、非确定性规律具有自适应功能,将人工神经网络的预测原理应用于电力系统负荷预测中。分析了负荷预测的基本概念,以及基于神经网络的预测原理中正向和逆向建模的基本结构,研究了联想神经网络优化算法。设计了电力系统负荷预测模型,并对系统进行仿真测试,试验结果表明,基于联想神经网络优化算法的电力系统负荷预测具有提高预测精度的效果。     

基于MRA+LMBP模型对电力系统短期负荷预测的研究

电力系统负荷预测是实现电力系统安全、经济运行的基础,有着重要的意义。以某地区购网有功功率的负荷数据为背景,给出了小波神经网络——MRA(小波多分辨率分析) LMBP(L-M优化算法的BP模型)组合负荷预测模型对电力系统短期负荷进行预测。仿真结果证明组合模型比单纯使用神经网络负荷预测模型提高了预测精度,尤其是在一定程度上提高了每日峰值负荷的预测精度,具有良好的应用前景。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于量子免疫优化算法的BP神经网络短期负荷预测方法研究

电能作为常见的能源类型,易与其他类型的能源进行转换,被广泛用于日常生活以及社会发展等方面。随着电力系统的不断发展,用户的不断突破,短期内的负荷用电预测成为国家电网稳定运行不可或缺的一部分。本文提出一种基于量子免疫优化算法改进的BP神经网络算法短期负荷预测方法,旨在提高BP神经网络算法存在的收敛速度慢、初始值敏感等问题,经某电力公司提供数据,对电力短期负荷进行预测,结果证明了本文提出方法的有效性与快速性。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

基于QPSO-ANN的发酵过程建模与优化

针对BP神经网络训练时间长、易陷入局部极小点问题,将量子微粒群算法QPSO与BP算法结合起来分两次训练神经网络,建立青霉素浓度预估模型。用青霉素发酵数据集对模型进行训练与检验。基于该模型,用QPSO算法对温度与pH控制轨线进行优化。实验表明,该发酵过程模型训练误差小、学习速度快、泛化能力强、预测精度高、可以实现多步预估。采用优化后的温度、pH控制轨线,青霉素浓度有所提高。     

基于神经网络的电力系统负荷预报

电力系统实现经济运行的前提必须是迎合电力负荷的需要、这对电力系统的安全稳定运行有重要意义。BP神经网络是一种具有强大的非线性映射能力的人工神经网络,在解决复杂的非线性问题中普遍得到应用。比如将BP神经网络应用于电力系统负荷预算将有效提高电力公司的发电效率,但BP神经网络极易陷入局部极小值以及收敛速度慢等问题。因此对BP神经网络改进算法进行研究,得出了用于电力符合预算的模型训练速度及预测误差,结果表明,改进的算法对负荷预测是行之有效的。     

基于干扰因子的QPSO算法改进

具有量子行为的粒子群优化算法(Quantum-Behaved Particle Swarm Optimization,QPSO)是一种新的基于群体智能的优化方法.与粒子群算法(Particle Swarm Optimization,PSO)相比,QPSO的全局收敛性能更好.但与其他进化算法一样,QPSO仍然不可避免地遇到早熟收敛的问题.因此在QPSO算法的基础上,引入干扰因子以避免算法的早熟现象.实验结果表明,改进后的QPSO算法具有更好的收敛性能.     

基于改进型BP算法的电网负荷预测研究

电网负荷预测问题非常复杂，由于其本身受到众多变数的影响，在实际预测时，常规方法一般比较困难。现提出了基于人工神经网络的电网负荷预测模型，并针对BP神经网络结构和算法的某些不足提出了改进措施，为电力系统电网负荷的有效预测提供了新的方法。     

基于改进RBF神经网络的电力负荷预测

为了提高电力系统负荷预测的精度与速度的需求,提出使用交替梯度算法改进径向基函数(RBF)神经网络,对天津市电网进行负荷预测。改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度。仿真结果表明该算法具有可行性。     

基于粒子群优化和支持向量机的电力负荷预测

提出支持向量机的粒子群优化算法的用电量预测方法.其中,采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月～10月的用电量数据以及相关特征数据作为实验数据,实验结果表明该算法电量负荷预测精度高于BP神经网络.     

BP神经网络在电力负荷中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.     

小波变换和BP神经网络在电力负荷预测中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.通过仿真验证了该方法的有效性.     

考虑概率区间的微电网短期负荷多目标预测方法

微电网负荷随机性强、波动大,负荷单点预测已经难以满足微电网稳定运行需要.提出一种考虑概率区间的微电网短期负荷多目标预测方法,以循环神经网络为预测模型,以逼近理想解排序策略、网格筛选策略对基本多目标人工蜂群算法进行改进,优化循环神经网络的权值和阈值,避免单目标区间预测中惩罚系数难以选择的问题,对历史负荷数据进行记忆并修正预测结果,有效提高微电网短期负荷区间预测准确性与可靠性.仿真结果表明,本文所构建的考虑概率区间的微电网短期负荷多目标预测方法,预测性能优越、结果准确,可为微电网安全经济调度提供决策依据.     

基于改进栈式自编码算法的中期负荷预测研究

综合考虑影响电力系统中期负荷预测的各个因素并提高预测精度,提出了基于改进栈式自编码算法的中期负荷预测方法。利用ICA进行特征提取,筛选主导的影响因素并对数据进行归一化处理,结合模糊理论构建气温因素的隶属度关系,通过参数自适应微分进化算法对栈式自编码算法参数展开在线优化,进而匹配最佳基于改进栈式自编码算法的组合中期负荷预测模型,并展开案例分析。其结果表明：该改进算法通过影响因素筛选、参数选择与优化,能够有效避免参数选择的盲目性,将气温动态因素进行模糊化处理,能够进一步提高预测精度,其预测结果优于PSO-SVM算法,与实际结果更为接近,且稳定性好,为电力系统负荷预测提供了重要手段。     

天气因素在短期电力负荷预测中的应用

为了更有效地提高地区电网短期负荷预测的精度,提出基于BP人工神经网络原理,利用神经网络高度非线性建模能力,根据电力系统短期负荷变化的特性,建立了既反映电力系统负荷连续性、周期性及其负荷变化趋势,又包含天气因素变化对系统负荷影响的天气因素敏感模型,并对岳阳地区短期负荷进行预测,预测结果表明天气因素应用于电力系统短期负荷预测后使预测精度明显提高,故这种方法是可行和有效的。     

基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.