排序方式: 共有11条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
针对海量数据提出一种基于改进Fisher分数(F-score)特征选择的改进粒子群优化的BP(Modified Particle Swarm Optimization and Back Propagation,MPSO-BP)神经网络短期负荷预测方法。首先采用改进F-score特征评价准则计算影响负荷预测精度各个特征的F-score值,再通过F-score Area法设定阈值筛选出最优特征子集,然后将最优特征子集作为MPSO-BP神经网络模型的输入变量完成对预测日一天24点负荷的预测,并与MPSO-BP神经网络短期负荷预测和传统BP神经网络短期负荷预测进行对比。算例表明,文中提出的短期负荷预测方法可以较好地对海量数据进行挖掘,具有较高的预测精度。 相似文献
5.
6.
提出了基于电气设备小样本性能数据的可靠性评估与预测模型。首先采用改进的Bootstrap法对小样本性能数据进行扩容,并进一步分析了设备性能变化的分布函数。在此基础上提出了设备性能可靠性的概念,并由此计算出设备在不同时刻下的可靠性。然后基于形态相似距离对上述可靠性值进行了曲线拟合,最后基于曲线预测值与预测误差对设备的可靠性进行预测估计。该方法不仅在数据扩容上优势明显,而且还能抑制"野值点"对拟合结果的影响。算例分析结果说明了所提方法在小样本数据条件下进行可靠性评估与预测的有效性与实用性。 相似文献
7.
蓄热式电采暖作为一种电能替代技术,在应用的过程中会给配电网的安全运行带来影响,随着人们对分布式能源的重视和电采暖相关技术的发展,电采暖的研究愈发重要。为了充分挖掘蓄热式电采暖在配电网中的可调节潜力,从蓄热式电采暖单体和集群两个层面进行分析。首先提出可调节潜力量化指标,包括容量、充放电功率、储能状态、上调容量和下调容量;接着分析蓄热式电采暖单体可调节潜力指标的数学模型;然后利用模糊聚类算法基于用户的用能特性,对电采暖用户进行聚类,分析蓄热式电采暖集群的上调容量和下调容量;最后通过具体算例对数学模型进行验证。 相似文献
8.
9.
在电力系统负荷预测中,使用传统的单任务学习方法未考虑多个地点的负荷间的潜在关系,忽视关联信息在多个地点间传递的可能会导致学习效果欠佳。针对这一问题,本文提出基于低秩表示的多任务学习方法进行多个地点的多任务负荷预测,该方法在学习过程中可以提取不同位置的负荷预测模型的共享低维表示,从而可以挖掘多个任务之间的关联关系,同时又可以区别不同任务之间的差别。实验表明,多任务负荷预测的平均性能优于决策树和随机森林等单任务学习方法,在负荷预测的精度上有了一定的提升。 相似文献
10.
为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。 相似文献