基于遗传算法优化神经网络的电动汽车负荷短期预测

开展电动汽车(EV)充电负荷预测在一定程度上可以有效缓解EV充电对配电网产生的影响。提出一种用遗传算法(GA)同时优化神经网络权阈值(连接权)和结构即隐含层单元数的EV充电负荷的预测方法,并与BP神经网络预测方法进行对比。实验结果表明所提出的预测方法有较高的预测精度。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于遗传算法优化神经网络的建筑物电力负荷预测

建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题。利用遗传算法的全局搜索能力对网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使预测更为精准。通过MATLAB软件进行仿真试验,验证了此方法的可行性。     

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型.首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输...     

基于遗传算法优化神经网络的建筑物电力负荷预测

对建筑物电力负荷进行准确有效的预测,是进行电气设计和节能改造的基础和前提,也能为电力部门制定电力规划提供依据。本文通过建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题,并利用遗传算法强大的全局搜索能力对所建网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使得预测更为精准。最后通过MATLAB进行仿真实验,验证了此法的可行性。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于小波变换和遗传算法优化神经网络负荷预测

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。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。     

基于BP人工神经网络的空调降温负荷预测

空调负荷是近年来增长较快的一类负荷,其特性对电网的电压稳定性影响很大。夏季影响空调负荷的因素主要是温度和湿度的变化。为了更好的预测空调降温负荷,研究了温度和湿度对空调负荷的影响。利用BP人工神经网络对电网空调负荷进行了预测,经过分析把日平均湿度量化成4段,和日平均湿度实际数值的模型进行计算比较,结果显示考虑日最高温度和日平均湿度量化为4段能更好的模拟温度、湿度和空调负荷之间的非线性关系,能更好的对电网空调负荷进行预测。     

基于BP神经网络的PEMFC稳定性及动态性预测

研究了PBI/H_3PO_4体系高温质子交换膜燃料电池(PEMFC),将其在不同压力、温度、阴极气体和负载下的稳态电位响应数据及该体系对压力变化、温度变化的动态电位响应数据作为训练数据,建立以Matlab/Simulink和BP神经网络为基础的高温下PEMFC的稳定性能和动态性能的预测系统。通过所建立的神经网络模型对电池的稳态电位输出和动态电位响应进行模拟,结果表明,所建立的模型可以对电池的稳态及动态行为进行准确模拟,这为PBI/H_3PO_4体系高温PEMFC的控制及性能预测提供了一定的参考。     

利用粗糙集约简算法改进BP神经网络负荷预测模型

传统神经网络预测模型受网络结构复杂性和样本复杂性的影响,容易出现“过学习”或低泛化能力。利用粗糙集理论中的几种属性约简算法对与负荷相关的各种历史数据进行约简,剔除与决策信息不相关的属性。实例证明该方法简化了BP神经网络的输入变量,从而缩短了神经网络模型的训练时间,提高了预测性能。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2％以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。     

BP和RBF神经网络在气隙击穿电压预测中的应用和对比研究

气隙的击穿电压是决定外绝缘水平的重要因素之一,现有关于击穿电压的理论都是单参数的经验公式,对某一特定大气条件下的击穿电压则很难估计.本文讨论了BP及RBF神经网络在气隙击穿电压预测中的应用,详细说明了在人工气候室中进行击穿试验的过程和BP、RBF神经网络的构建方法.使用人工气候室中获得的样本数据对网络进行训练,用训练好的网络对击穿电压进行预测,结果表明BP及RBF神经网络均能较好地对气隙击穿电压进行预测.并对BP及RBF神经网络进行了比较,RBF神经网络在收敛速度、网络构建、非线性逼近以及泛化能力方面都要优于BP神经网络,更适合于气隙击穿电压的预测.     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于GA-BP神经网络在手写数字识别中的应用研究

手写数字识别在当今社会有着重要的应用价值，在金融、社交、教育、通信等领域有着广泛的应用前景。手写数字识别是光学字符识别技术的一个分支，目前大多采用BP神经网络进行识别，但BP神经网络存在局部极小值、学习速度慢、结构选取上无确定准则三方面缺陷，影响其识别效果。通过遗传算法寻优BP神经网络最佳的初始阈值、初始权值、结构来克服其缺陷。通过MATLAB仿真，结果表明，用遗传算法优化后的BP神经网络具有辨识正确率更高、泛化能力更强、收敛速度更快、实用性更强的优点，达到了预期的目的，为手写数字识别提供了良好的理论研究价值。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。