首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 859 毫秒

1.  基于负荷频谱分析的电力系统短期负荷预测  
   杨文佳  ;张国维《陕西电力》,2014年第11期
   电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性.从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测.在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果.    

2.  小波回归分析法在短期电力系统负荷预测中的应用  被引次数:1
   张涛  朱建良《哈尔滨理工大学学报》,2008年第13卷第1期
   利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.    

3.  基于小波变换和遗传算法优化神经网络负荷预测  
   刘绚  刘天琪《四川电力技术》,2010年第33卷第3期
   提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。    

4.  基于MRA与回归分析法的短期电力负荷预测  
   袁诚斌  张涛  朱建良《信息技术》,2007年第10期
   为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。    

5.  基于小波变换与支持向量机的短期电力负荷预测  被引次数:2
   朱志勇  林睦纲  张深基《微计算机应用》,2005年第26卷第4期
   利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,将负荷序列投影到不同的尺度上,对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测,最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。    

6.  小波包变换在冲击负荷地区短期负荷预测中的应用  
   林瑞荣  卢海明  郭壮志《东北电力技术》,2014年第35卷第12期
   针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。    

7.  小波包变换在冲击负荷地区短期负荷预测中的应用  
   胡函武  卢海明  林瑞荣  孟安波  郭壮志《华北电力技术》,2015年第1期
   针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包分解将原始负荷序列分解成不同频率的子序列,根据各个子序列的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果.选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度.    

8.  小波-LMBP网络在短期负荷预测中的研究与应用  
   胡力  何怡刚《电力系统及其自动化学报》,2010年第22卷第5期
   为提高电力系统负荷预测精度,提出一种基于小波分析结合LMBP(Levenberg-Marquardt BP)神经网络的电力系统短期负荷预测方法.通过小波变换对负荷序列进行多尺度分析,得到具有不同特征和规律的频段子序列,再对这些子序列分别采用合适的人工神经网络模型进行训练预测,最后将各预测子序列进行重构,生成负荷序列的最终预测结果.在构造预测模型的过程中,对比传统的预测方法及预测模型,在小波函数及尺度选择、神经网络建模等方面进行细致探讨并予以相应的实例验证.结果表明该方法具有很高的预测精度和应用可行性.    

9.  小波模糊神经网络在电力系统短期负荷预测中的应用  被引次数:41
   邰能灵  侯志俭《中国电机工程学报》,2004年第24卷第1期
   该文研究了基于小波模糊神经网络的电力系统短期负荷预测新方法。根据小波变换自适应可调时频窗的特点,利用小波分析对负荷样本做序列分解,对高尺度负荷分量采用常规预测方法,其他负荷分量则采用模糊神经网络处理技术,最后通过序列重构,得到完整的负荷预测结果。算例计算表明,新方法具有较高的预测精度和适应能力。    

10.  基于小波分解和人工神经网络的短期负荷预测  被引次数:33
   徐军华  刘天琪《电网技术》,2004年第28卷第8期
   提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.    

11.  基于小波变换及最小二乘支持向量机的短期电力负荷预测  被引次数:39
   杨延西  刘丁《电网技术》,2005年第29卷第13期
   提出了采用小波变换和最小二乘支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列:然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测:最后对各分量预测信号进行重构得到最终预测结果。在构建支持向量机模型时考虑了气候因素的影响,并将其作为模型的一组输入点。实验结果表明基于该方法的负荷预测系统具有较高的预测精度。    

12.  小波支持向量机与相空间重构结合的短期负荷预测研究  
   郑永康  陈维荣  戴朝华《电力系统保护与控制》,2008年第36卷第7期
   提出了基于小波支持向量机(WSVM)与相空间重构(PSRT)相结合的电力系统短期负荷预测(STLF)模型.使用小波核函数(WKF)构建相应的WSVM,并且用云遗传算法(CGA)对相关参数进行优化.在分析负荷时间序列的混沌特性基础上,对序列进行了PSRT,将相空间中的向量点作为WSVM的输入.该方法不考虑气象和节假日等条件,只使用历史负荷数据.仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值.    

13.  小波支持向量机与相空间重构结合的短期负荷预测研究  被引次数:1
   郑永康  陈维荣  戴朝华《继电器》,2008年第36卷第7期
   提出了基于小波支持向量机(WSVM)与相空间重构(PSRT)相结合的电力系统短期负荷预测(STLF)模型。使用小波核函数(WKF)构建相应的WSVM,并且用云遗传算法(CGA)对相关参数进行优化。在分析负荷时间序列的混沌特性基础上,对序列进行了PSRT,将相空间中的向量点作为WSVM的输入。该方法不考虑气象和节假日等条件,只使用历史负荷数据。仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值。    

14.  电力系统短期负荷预测中小波函数的选择  
   董新伟  石超越  吕康飞  国芳  邓薇  张晓青《机电工程》,2009年第26卷第10期
   针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。    

15.  基于小波分析的短期电力负荷组合预测方法  
   石恒初  严正  黄涛  葛夕武《继电器》,2007年第35卷第17期
   为了提高电力系统短期负荷预测的精度,提出了基于小波分析的人工神经网络(ANN)和累积式自回归滑动平均(ARIMA)模型的组合预测方法。针对电力系统负荷具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对负荷序列进行小波分解与单支重构,得到各频段上的近似序列和细节序列。根据各序列的自身特点,将经奇异性检测后的数据分别采用相匹配的BP模型和ARIMA模型进行预测,最后将各负荷序列的预测结果加以组合得到最终的预测结果。经实际算例验证,该方法能够有效地提高预测精度。    

16.  基于小波分析的短期电力负荷组合预测方法  
   石恒初  严正  黄涛  葛夕武《电力系统保护与控制》,2007年第35卷第17期
   为了提高电力系统短期负荷预测的精度,提出了基于小波分析的人工神经网络(ANN)和累积式自回归滑动平均(ARIMA)模型的组合预测方法.针对电力系统负荷具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对负荷序列进行小波分解与单支重构,得到各频段上的近似序列和细节序列.根据各序列的自身特点,将经奇异性检测后的数据分别采用相匹配的BP模型和ARIMA模型进行预测,最后将各负荷序列的预测结果加以组合得到最终的预测结果.经实际算例验证,该方法能够有效地提高预测精度.    

17.  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  
   姜竹楠  刘峰  于文波《电工标准与质量》,2007年第2期
   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.    

18.  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  
   姜竹楠  刘峰  于文波《电力科学与技术学报》,2007年第22卷第2期
   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.    

19.  基于小波分析和遗传程序设计的短期负荷预测  
   赵志民  盛四清《电测与仪表》,2010年第47卷第Z2期
   提出将小波分析和遗传程序设计算法相结合用于电力系统的短期负荷预测.具体过程是先对负荷序列进行小波分解,然后对小波分解后的各尺度负荷序列分别利用遗传程序设计进行分时预测,并通过对各尺度的预测结果进行重构来得到最终预测结果.仿真结果表明,该方法具有较好的预测效果和可行性.    

20.  基于小波变换理论在电力系统短期负荷预测中的应用  
   张向莹《山西电力》,2006年第4期
   介绍了基于数学模型小波(变换)分析法,能够提取短期负荷时间序列中的任意细节,短期负荷序列经过小波变换后,可以分解为相应的子序列,并对子序列进行时域与频域处理,使用周期自回归模型对子序列进行预测的方法,指出其预测的精确度比传统的要高,是目前很多领域中实现短期负荷预测较好的方法。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号