基于云模型的电力负荷预测

提出了一种基于云模型的电力负荷预测模型。利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据。以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器。利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高。     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

基于GRNN的冰蓄冷空调逐时冷负荷预测

冷负荷动态预测对冰蓄冷空调最优化控制来说是不可或缺的.建立了基于广义回归神经网络(GRNN)和遗传算法(GA)的逐时冷负荷预测模型,建模时以前一日已知的24小时室外干球温度为输入,以次日逐时冷负荷为输出.为提高预测精度及改善鲁棒性,以均方差(MSE)最小构造适应度函数,应用遗传算法寻优广义回归神经网络的平滑因子.通过预测负荷与实际负荷的比较分析验证了模型的可靠性和鲁棒性.     

基于气象因素的集中供热系统热负荷预测研究

集中供热系统各子系统的给定值都是由预报热负荷决定的,提供准确的热负荷预测是提高供热质量的基础;传统热负荷预测仅考虑室外温度的影响,并且热负荷预测模型参数的辨识仍依靠传统数学工具,精度不够高;为了更准确预测,研究了多个气象参数对集中供热系统热负荷的影响,采用了多元回归法,利用1stOpt软件中的LM-UGO算法建立了集中供热系统热负荷预测模型;实验结果显示,室外温度对热负荷有直接影响,风速或日照对室外温度有直接影响,然后间接影响热负荷,同时,多元回归拟合的平方相关系数均在0.900 0以上,模型训练、测试的平均绝对百分比误差均在4.00%以下;应用实例表明,热负荷预测模型的训练与测试均比较合理,这种多元回归法适用于在热负荷预测邻域推广与使用。     

云推理方法及其在预测中的应用

不确定性推理是当前人工智能研究领域中的一项重要研究内容。云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则,实现不确定性推理。将基于云模型的不确定性推理方法用于预测实际工作环境中电子产品的使用寿命,说明了云推理方法的有效性和实用性。     

基于云的网络安全态势预测规则挖掘算法研究

现有网络安全态势预测算法对初始训练数据依赖性强,预测结果客观性差。提出了基于云的网络安全态势预测思想和基于云的网络安全态势预测规则挖掘算法。采用基于云模型的属性论域区间软划分方法解决了定性与定量转换中的区间硬性划分导致的边界元素内在联系丢失的问题。通过实验验证了算法的可行性和有效性。基于云的网络安全态势预测思想,不需要对预测算法进行数据训练,提高了网络安全态势预测的客观性。     

建筑供热负荷预防与预测控制策略研究

基于建筑供热节能需要和供热对象的特点，提出了供热负荷预防及对供热过程施加预测控制策略，根据时间序列分析原理，对供热负荷进行节能预后并作为预测控制的设定值，为满足实时性的要求，根据供热对象的特性对预测模型进行简化，给出了用预报误差校正代替误差校正的预测控制算法。最后对供热系统进行相关算法的仿真，其结果证明了该方法的有效性。     

基于云模型的不确定性推理方法

云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则.在单条件单规则发生器基础上,进一步提出双条件单规则发生器的实现算法,给出了云推理系统的体系结构.将基于云模型的不确定性推理方法用于设计电机转速控制系统,并且与模糊推理方法进行了比较,验证了云推理方法的有效性和实用性.     

一种具有相依关系的二维云推理方法及其在预测中的应用

基于云模型的定性知识推理通过构造规则发生器实现不确定性推理。然而传统的二维云推理方法并未考虑条件云之间的相互影响,故此对传统方法进行改进,通过条件云云滴的乘积作用,构造相应的规则发生器,提出一种基于相依条件云的二维云推理方法。将该方法应用于美国GDP预测,预测结果表明该方法的效果明显优于传统方法,进而表明该方法可行且有效,并在一定程度上弥补了传统方法的不足。     

基于GIHCMAC神经网络的建筑电负荷预测方法

随着能源供应与经济快速发展的矛盾日益加剧，建筑节能成为可持续发展战略的一个关键环节，研究一种快速、精准的建筑用电量预测方法是实现建筑节能优化控制的重要前提.本文将遗传算法与蚁群聚类算法相融合，对基于聚类的IHCMAC （Improvement Hyperball CMAC）神经网络的网络节点进行改进，将GIHCMAC （Genetic Algorithm Ant Colony Clustering Algorithm based on IHCMAC）作为建筑电力负荷预测模型，对潍坊某一办公建筑用电负荷进行预测.研究结果表明，该预测模型迭代次数最小、准确度较高，其迭代次数、训练误差、泛化误差分别为9、0.0045、0.0014，较IHCMAC、KHCMAC （K-means Hyperball CMAC）、IKHCMAC （Improvement K-means Hyperball CMAC）模型的收敛速度更快，精度更高，泛化能力更强.     

基于粗糙集理论的电力系统短期负荷预测

本文基于粗糙集（Rough Set）理论在处理不确定信息及数据分析和挖掘等方面的优点,建立了基于相关历史负荷数据及气象因素数据的初始信息表．并运用粗糙集理论实现了决策表的离散化、属性约简及决策规则的生成,进而根据得到的决策规则实现了电力系统日负荷预测。最后,通过具体算例分析证明该方法是具有较高的预测精度及稳定性。     

基于改进神经网络的热网短期热负荷预测

针对供热系统供热量和需热量不匹配的问题和节能降耗的需求,提出一种基于改进神经网络的供热系统短期热负荷滚动预测方法。该方法利用动态的K-均值聚类算法确定RBF神经网络的隐含层中心,以实现对聚类中心的个数优化选择,再利用递归正交最小二乘法更新网络连接的权系数,训练RBF神经网络模型。每次预测时用实时数据更新一部分历史数据从而组成新的输入,再用训练模型预测下一时刻的热负荷,用于实现热网热负荷短期滚动预测。仿真结果表明,该方法与传统的神经网络预测方法相比,预测精度高,对热网系统短期热负荷具有良好的预测能力,能给热网控制器提供可靠的数据,使热网供热量和需求量相匹配,满足节能降耗的需求,具有一定的工程实用价值。     

基于自适应卡尔曼滤波在气象影响下负荷预测

如今电网系统中所构成电力负荷的电器越来越多,其中像空调等受气象影响的负荷所占比例持续升高,那么气象因素（温度、湿度、降雨量等）对电网的影响自然越来越突出,因此短期负荷预测将气象因素考虑进去,能够大大提升预测精度。根据某地区六年的电力负荷数据,构建卡尔曼滤波模型,可以给出高效准确的预测结果。然后将气象因素考虑到自适应卡尔曼滤波模型,通过不断对状态估计进行修正,得到计及气象因素影响的负荷预测结果精度更高。通过MATLAB 仿真,说明这种算法比较传统的卡尔曼滤波具有更高的预测精度,而且这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于权重的云推理算法

虽然正态云模型具有普适性,但它在描述论域内单调上升或下降的概念时存在一些局限性,同时由于现有的云推理算法存在多条件下人为主观因素影响大、运算量大等问题,为此提出一种新的指数云模型来描述单调概念,并基于此提出一种基于权重的云推理算法。该算法将多条件发生器拆分为多个一维发生器,先通过层次分析法确定各个条件的属性权重,再采取加权平均法将单条件单规则发生器输出的结果精确化为一个具体的输出值。将基于权重的云推理算法用于鱼雷规避仿真系统中,并与模糊推理结果进行比较,验证了该算法的有效性和实用性。     

基于权重的云推理算法

虽然正态云模型具有普适性,但它在描述论域内单调上升或下降的概念时存在一些局限性,同时由于现有的云推理算法存在多条件下人为主观因素影响大、运算量大等问题,为此提出一种新的指数云模型来描述单调概念,并基于此提出一种基于权重的云推理算法。该算法将多条件发生器拆分为多个一维发生器,先通过层次分析法确定各个条件的属性权重,再采取加权平均法将单条件单规则发生器输出的结果精确化为一个具体的输出值。将基于权重的云推理算法用于鱼雷规避仿真系统中,并与模糊推理结果进行比较,验证了该算法的有效性和实用性。     

基于NARX神经网络的热负荷预测中关键影响因素分析

在区域供热（DH）网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归（NARX）神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差（MAPE）和均方根误差（RMSE）均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。     

神经网络在考虑气温因素短期负荷预测中的应用

针对地区电网负荷易受气温影响的特点,本文提出了一种具有气温敏感性的基于BP算法的神经网络预测模型。模型中通过对温度数据变换后作为预测模型输入数据,合理地考虑了气温对负荷的影响。实际应用表明,该模型能有效地反映气温和负荷之间的变化关系。     

基于气象因子Fuzzy模糊处理的短期电力负荷预测

电力短期负荷预测受各种气象因素的影响,这导致短期电力负荷预测准确度不高。使用模糊逻辑处理温度、湿度和风速的三种影响因素,把它们转化为能被BP神经网络输入识别的具体的数据。该网络经过训练后,得到合适的权值。利用该模糊神经网络,测试电力日负荷数据,预测的平均误差约在±1.69%。     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并...     

基于深度学习的热负荷预测研究

针对目前热负荷预测存在数据复杂程度高、预测精度低的缺陷,提出了一种混合式短期热负荷预测模型。首先,考虑到原始数据的属性具有不同的比例和分布,提出了一种局部重缩放策略。其次,提出了双层长短期记忆(LSTM)基础模型,并基于修正损失函数提高模型预测精度,从而有效学习历史天气预报和热负荷数据特征。在试验阶段,以某省电力公司提供的历史热负荷数据为例,对所提模型进行验证。验证结果表明,模型的测试集平均绝对百分比误差(MAPE)为3.08%,性能较基础网络提升约1.72%。仿真结果进一步验证了所提模型对热负荷预测具有较高的准确性。该模型为电力热负荷智能化服务发展提供了借鉴。