基于DGM和TDNN的火电行业NOx排放量变权组合预测

从区域火电行业NOx排放量预测问题的离散灰色、非线性和动态性等特征出发,建立了基于离散灰色预测模型(discrete grey model,DGM)和时延神经网络(time-delayed neural network,TDNN)模型的变权组合预测模型.其中,时延神经网络模型与传统静态神经网络(如BP、RBF神经网络)相比较,更能反映系统的动态特征,有利于提高预测的准确性;在组合变权系数确定上,采用了等维递补多项式拟合方法,提高组合预测的拟合精度.最后,以国家权威部门公布的1994-2009年火电行业相关历史数据为基础,对未来7年我国火电行业NOx排放量进行预测研究和分析.结果表明:从预测平均相对误差来看,变权组合预测为0.846％,而TDNN为1.296％,离散灰色预测则为3.472％,变权组合预测模型的预测精度明显高于单项预测模型;从预测结果趋势走向来看,组合预测结果与实际趋势最接近,较单项预测有更高的吻合度,预测结果准确可靠.     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

基于IOWA算子的短期光伏发电量组合预测

为了对光伏电站的输出发电量进行预测,提出了一种基于IOWA算子的组合预测模型。该方法通过灰色关联度分析影响光伏发电量的关键影响因子,结合光伏电站历史数据,基于IOWA算子建立了短期光伏发电量组合预测模型。以华中科技大学电力电子研究中心18 kW并网光伏电站资料为基础进行预测试验,以误差平方和最小为准则构建最优化模型,结合各单项预测模型的优点,建立基于IOWA算子的光伏发电量组合预测模型。实验结果表明:所提出的预测模型降低了预测结果误差,提高了预测精度。说明该预测模型可为光伏电站发电量进行预测,为电力系统调度稳定运行提供参考。     

一种改进的基于IOWA算子的组合预测方法及应用

按误差平方和准则建立的基于IOWA算子的组合预测模型并不能正确反映出各个时期观测点所引起误差对预测值的影响程度,在实际预测时预测期数据是未知的,无法直接利用该方法进行预测。针对以上缺陷,提出以单项预测模型中精度较高者的预测值为标准,计算其余模型的预测值与其偏差,再按各个时期各单项偏差绝对值和的平均值大小赋予权系数,建立按照加权误差平方和准则新的预测模型,并利用遗传算法求解最优权系数。通过实例验证,改进后的组合预测方法优于原来的基于IOWA算子的组合预测方法,有效地提高了预测精度。     

一种改进的基于IOWA算子的组合预测方法及应用

按误差平方和准则建立的基于IOWA算子的组合预测模型并不能正确反映出各个时期观测点所引起误差对预测值的影响程度,在实际预测时预测期数据是未知的,无法直接利用该方法进行预测.针对以上缺陷,提出以单项预测模型中精度较高者的预测值为标准,计算其余模型的预测值与其偏差,再按各个时期各单项偏差绝对值和的平均值大小赋予权系数,建立按照加权误差平方和准则新的预测模型,并利用遗传算法求解最优权系数.通过实例验证,改进后的组合预测方法优于原来的基于IOWA算子的组合预测方法,有效地提高了预测精度.     

基于主成分和贝叶斯正则化的NO_x排放量的预测

针对电厂燃煤锅炉NOx排放量预测建模中输入因子过多而导致神经网络结构规模过大、泛化能力差的问题,通过主成分分析和贝叶斯正则化的方法对BP神经网络进行改进,优化网络结构,从而提高了泛化能力。以某300 MW机组锅炉热态多工况试验数据为例,改进的神经网络预测方法与传统的神经网络方法相比,泛化能力有显著提高,而且网络的收敛稳定,实际预测效果良好。     

基于改进遗传算法的电网投资组合预测方法

提出了一种通过改进遗传算法并综合利用灰色预测GM(1, N)模型、BP神经网络模型、多元回归模型建立的电网投资组合预测模型。基于传统遗传算法对组合预测约束条件进行了优化并改进了遗传算法中交叉算子和变异算子,从而使算法具有更强的全局搜索能力和收敛能力。利用所提出的组合预测模型对某地区电网投资进行预测的结果表明,相比于单一预测模型和其他两种组合预测模型,所提组合预测模型能充分利用原始数据的信息,具有更高的预测精度。     

基于HHT和神经网络组合的负荷预测模型研究

首次提出了一种基于HHT和神经网络组合的预测模型.负荷数据首先经过EMO分解,得到一系列IMF分量及余项,通过各分量的频谱观察,针对低频IMF分量规律性及周期性强,高频分量相对较弱的特点,对低频IMF分量选择合适的预测模型直接进行预测,高频IMF采用多神经网络组合预测方法.仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型.     

基于Theil不等系数的IOWA算子和马尔科夫链的电量组合模型研究

通过引进Theil不等系数、IOWA算子和马尔科夫链的概念,建立了一种基于Theil不等系数的IOWA算子和马尔科夫链的电量组合模型。从相关性的角度对该模型进行了研究,同时采用IOWA 算子,使组合模型的各个时间点上的权系数只与预测精度有关,与预测方法无关,较好地反映了负荷发展实际情况。利用马尔科夫链定性推出组合模型中各单项模型在待预测时点上的预测精度状态,进而得到待预测时点上的组合模型的权系数。以陕西省某市1994～2009年年用电量为样本,通过指数平滑法、回归法和灰色模型法分别建立模型,然后利用基于Theil不等系数的IOWA算子和马尔科夫链的组合模型进行权系数的求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于河北省火电行业污染物NO_x排放绩效的奖罚研究

通过研究河北省火电行业污染物NOx排放总量、河北省总发电量,得出NOx的排放绩效标准,提出利用NOx的排放绩效标准对企业进行奖罚。火电行业为了增加收益,必须注重技术创新和企业改革,提高NOx的处理效率,从而实现火电行业NOx排放绩效真正意义上的环保调度。     

基于灰色和神经网络的最优组合预测分析

针对进出口总额数据的非线性,并为了更充分挖掘时间序列所隐含的数据规律,建立了基于灰色预测模型、神经网络算法以及最小方差准则的最优组合预测模型.仿真分析结果显示,最优组合方法能更有效提高非线性时间序列的预测精度.     

考虑宏观政策的能源需求组合预测模型

针对目前能源需求预测考虑影响因素单一、忽视宏观政策影响因素、预测精度不足等问题,提出了一种融合灰色关联度分析和BP神经网络的能源需求组合预测方法.首先,根据宏观政策的针对性和方向性进行领域划分,分析各领域的指标;其次,利用灰色关联度分析法对分析后的各领域宏观政策初始指标进行关联度计算、排序、筛选;最后,将筛选出的初始指...     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于预估-校正综合BP神经网络的短期光伏功率预测

针对现有光伏功率预测结果精度低、无法反映功率变动范围等问题,提出考虑不确定性的短期光伏功率综合预测方法。建立基于预估-校正综合BP神经网络的光伏功率点预测模型和考虑不确定性的光伏功率区间预测模型。结合某光伏电站历史数据对所提方法的正确性和有效性进行验证,算例分析表明,基于预估-校正综合BP神经网络的光伏功率点预测模型有效提高了光伏功率预测的精准度,考虑不确定性的光伏功率区间预测模型准确反映了光伏功率的变化趋势和范围。     

售电量分类预测模型及其软件开发

为了进行有效而高质量的售电量预测,根据实际电力系统电价和影响因素的不同,将售电量分为五类,运用人工神经网络中的误差反向传播算法,利用重庆某地区历年来的月温度和月售电量等数据建立起最佳预测模型进行学习训练,并用重庆某供电局2006年的售电量实际值和预测值进行校验.最后利用MATLAB平台开发出了实用化的售电量分类预测软件.实际算例的分析表明,售电量分类预测比售电量总体预测具有更好的预测精度和实用价值.     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

组合预测模型在电网负荷预测中的应用

应用单项预测模型进行电网负荷预测,已不能适应当前电网管理的要求。分析了应用单项人工神经网络模型进行短期负荷预测的局限性,提出了应用定权系数和变权系数组合预测模型进行短期负荷预测,并作了具体应用研究,证明其改善了应用单项人工神经网络模型对负荷变化的连续波动性体现不够的缺点。通过对广州电网的实际负荷进行仿真预测,得出预测模型和处理策略可以得到更加精确的结果。