基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

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。     

基于贝叶斯框架和回声状态网络的日最大负荷预测研究

为克服神经网络中的伪回归问题,对标准的回声状态网络进行改进,用贝叶斯理论提高网络的泛化能力。在实证算例分析中,采用某地区的实际负荷数据和相关气候数据,对该地区的日最大负荷进行预测,验证所提方法的有效性和适用性。对比试验的预测结果表明,改进的回声状态网络比标准回声状态网络和前馈神经网络预测效果更精确,网络泛化能力更强。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

PCA和Elman网络在移动学习策略分类中的应用

针对传统的大学生英语移动学习策略分类方法准确率较低的情况,提出了一种主成分分析（PCA）和Elman神经网络相结合的分类模型。首先,用PCA对所获得的移动学习策略原始数据作数据降维处理,提取前5个主成分,建立新的特征样本矩阵,再对Elman神经网络进行训练和泛化能力测试。仿真结果表明：单一的BPNN分类准确率为70.0%,单一的Elman网络分类准确率为80.0%,PCA Elman网络分类准确率为100.0%,PCA Elman网络模型简化了单一Elman网络的结构,提高了网络的训练速率、分类准确率和泛化能力,验证了所提出的模型的有效性。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于季节卡尔曼滤波的行业区域用电负荷预测

为了提高行业区域用电负荷预测的准确性,研究中长期用电负荷预测方法。经典卡尔曼滤波法是基于负荷为平稳序列的前提下进行的短期负荷预测,不适用于中长期负荷预测。根据行业中长期用电负荷数据的周期特性,加入季节因素,提出基于傅里叶变换的季节卡尔曼滤波法。通过实例分析和对比,验证该种算法的中长期负荷预测能力及用电行业泛化能力。分析结果表明:在中长期负荷预测方面,季节卡尔曼滤波法预测能力好,波动性小,误差范围小。     

Elman神经网络在电力负荷预测中的应用

利用 Matlab构建 Elman神经网络,并通过电力系统负荷预测世界竞赛提供的数据集来训练 Elman网络,从 而构建电力负荷预测模型,验证 Elman神经网络在电力负荷预测中的可行性和准确性。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测。对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测.对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%.     

基于多重局部回归Elman神经网络的短期负荷预测

针对传统静态前馈神经网络动态性能较差的缺点,提出了多重局部回归的Elman神经网络,建立了网络的基本结构,并设计了相应的学习算法和学习过程。通过对负荷原始数据的归一化处理,提出将训练数据分段的思想,并利用分段数据对多重局部回归的Elman网络进行训练,通过对收敛曲线和训练误差的分析,确定合适的网络神经元个数和网络训练步数,最后利用实际负荷数据对网络进行了检验。结果表明,改进多重局部回归Elman神经网络比传统Elman神经网络具有更高的预测精度。     

基于遗传和模拟退火算法优化的短期负荷预测

负荷短期预测是电力系统运行和调度每年的重要工作,尤其在市场环境下负荷短期预测更显重要.对于电力系统短期负荷的随机性和突变性的特点,提出了应用遗传算法(GA)和模拟退火(SA)优化的Elman神经网络的短期负荷预测模型.其特点是模型简单、运算效率高,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷.利用改进Elman 网络的良好学习能力,同时利用遗传和模拟退火优化算法对Elman动态递归网络的前馈和反馈值进行优化,实现全局最优的拟合结果.比较了Elman网络和BP网络结构的建模效果,仿真实验证明了利用遗传和模拟退火算法优化的Elman神经网络具有动态特性好、逼近速度快、精度高等特点,说明Elman网络是一种新颖、可靠的负荷预测方法.     

基于频域分解的短期负荷预测研究分析

为研究频域分量预测法对短期负荷预测精度的影响,利用频域分解算法分解原始负荷数据,将数据分解为4个部分：日周期、周周期、低频和高频分量。其中,日周期、周周期分量用Elman神经网络预测;低频分量采用随机森林预测;高频分量则使用Mallat算法二次分解,分别得到低频部分和高频部分,选取低频部分做训练样本与Elman神经网络结合预测高频分量;将各个频域分量结果重组,实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真,将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比,验证所提方法可以有效提高精度,减少预测值和真实值的离散程度。     

基于流程模拟与Elman神经网络的燃煤电厂CO_2吸收系统动态数据检验方法

提出了结合流程模拟与Elman神经网络的燃煤电厂联胺吸收CO2系统动态数据检验方法。通过流程模拟软件Aspen HYSYS建立动态模型,获得动态数据,采用一步前预测方法构造样本训练Elman网络,通过训练后的网络对测量参数进行预测估计。通过Aspen HYSYS与Matlab的数据通信实现了Elman网络对HYSYS动态过程数据的在线检验。仿真试验表明,该方法能有效地对CO2吸收系统动态过程的数据进行在线检验,提高脱碳系统监测的可靠性。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究,将多分辨率支持向量机（M—SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点,设计了负荷预测数学模型,采用96条回归曲线进行日负荷的曲线预测,并在该模型的基础上采用实际数据进行验证,分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

基于粗糙集理论-主成分分析的Elman神经网络短期风速预测

为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失函数.然后,通过条件生成对抗网络的博弈训练,使生成模型以负荷影响因素为条件生成预测负荷数据,从而进行短期负荷预测.最后,以美国某地区3年的负荷作为实际算例,对比所提模型与其他模型的预测结果,验证了所提模型在兼顾泛化能力的同时可以提高短期负荷的预测精度.