基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值。     

基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值.     

基于混沌相空间技术的输沙量预测BP网络模型

影响输沙量演变规律的前期因素比较多,且难于确定和提取,这就造成对输沙量的拟合和预测精度较低。在对输沙量时间序列混沌特性分析的基础上,利用嵌入相空间来确定前期影响因子,建立了基于混沌相空间技术的BP神经网络模型。模型既能考虑到影响输沙量时间序列的动力因子,又能解决网络的输入单元数确定的困难和利用神经网络超强的非线性映射功能,通过对龙川江流域控制站月输沙量的拟合与预测表明其结果合理,预测精度较高。     

混沌理论在电力系统负荷预测中的应用

混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感,遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求。因此,近年来,混沌理论在电力系统负荷预测中得到了越来越广泛的应用。在总结和归纳传统预测方法的基础上,对混沌理论应用于电力系统负荷预测中的研究现状进行了综述,其中包括混沌时间序列的主要思想、混沌时间序列分别与传统预测技术、神经网络以及模糊理论相结合在负荷预测中的应用,并指出了这一技术的研究动向及应用前景。     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。     

混沌理论在电力系统负荷预测中的应用

混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感,遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求.因此,近年来,混沌理论在电力系统负荷预测中得到了越来越广泛的应用.在总结和归纳传统预测方法的基础上,对混沌理论应用于电力系统负荷预测中的研究现状进行了综述,其中包括混沌时间序列的主要思想、混沌时间序列分别与传统预测技术、神经网络以及模糊理论相结合在负荷预测中的应用,并指出了这一技术的研究动向及应用前景.     

基于混沌特性的风电场风速短期预测方法

为了提高风电场风速短期预测的精确性,提出了基于混沌理论的径向基神经网络预测。通过对风速时间序列关联维数及Lyapunov指数的计算,证实了风速时间序列混沌现象的存在。几种典型的求取延迟时间和嵌入维数算法的预测结果对比表明,基于自相关法-假近邻法的相空间重构RBF神经网络的预测效果比较理想。将基于混沌理论的RBF神经预测方法同传统的Volterra级数预测方法相比较的仿真结果表明,基于混沌理论的RBF神经预测方法具有模型简单、预测精度高的优点。     

负荷预报的混沌时间序列分析方法

某些非线性确定性系统表现出混沌行为,由这些系统产生的时间序列又表现出随机性,但是,这些混沌时间序列在短期内可有较为精确的预测,可以为其建立确定性的预测模型。为了探讨负荷时间序列中的混沌特性,作首先介绍计算时间序列中的多种混沌征数的方法,在发现华中电网发电负荷时间序列中的混沌特性的基础上,给出一种基于混沌理论的局部预测算法。该预测方法的优点是,如果时间序列比较长,就可以通过某些参数的调整来控制预测精度。最后以华中电网的发电负荷为例检验了本中的算法,最终的预测模型的预测效果良好。     

归一化RBF网络的时空混沌时间序列建模与应用

本文提出将归一化RBF神经网络应用于时空混沌时间序列的建模与预测,并遗传算法训练该网络。通过利用该模型分别对参数可变的Lorenz混沌时间序列、耦合映象格子产生的时空混沌序列和真实的脑电信号进行建模和预测,得到较小的预测误差,证明了该模型对时空混沌时间序列有比较强的拟合能力和比较高的预测精度,有一定的工程应用价值。     

混沌预测方法及其应用研究

混沌预测是非线性科学应用的新的研究领域,其理论和应用都有巨大的发展潜力。本文在简要回顾传统预测方法的基础上,对目前常用的几种混沌预测方法进行了详细分析,其中包括混沌时间序列的主要思想。给出了几个有代表性意义的预测实例。指出了混沌预测这一技术应用的广泛性及其应用方向。     

风力发电机组运行状态的混沌特性识别及其趋势预测

通过对风力发电机组运行状态参数时间序列进行非线性动力学建模,解析了机组运行状态的动力特征,验证了风力发电机组运行状态的混沌特性。在此基础上,根据混沌时间序列的相空间重构理论,应用加权一阶局域预测方法对风电机组运行状态进行混沌预测研究,采用某风场风电机组实际运行数据对预测方法进行检验。计算结果表明,应用混沌预测方法对风力发电机组运行状态进行预测是可行的,具有较高的精度,为风电机组状态预测提供了新的思路。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。     

基于RBFNN的短期电力负荷混沌局域预测法

短期负荷序列数据表现出混沌特性,可以使用混沌时序局域方法进行预测。在混沌时序重构相空间中预则中心相点和趋势相点之间的映射关系不是单纯的线性关系,而常用的线性回归预测模型只能逼近线性映射。提出利用径向基函数神经网络(RBFNN)来建立预测模型,可以更加精确逼近预则中心相点和预测相点之间的映射关系,并用欧氏距离和关联系数联合方法选取近邻相点,选取的近邻相点与预测中心相点的关联性更好。利用西北电网的负荷数据所做的实验证明,本文提出的基于RBFNN的局域预测法比线性局域预测法获得了更为满意的预测精度。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

电网短期负荷预测的混沌方法

通过计算四川全省电网小时负荷时间序列的混沌特征量：饱和关联维数、最大Lyapunov指数和Kolmogorov熵，论证了该小时负荷序列属于混沌时间序列。以负荷相空间重构为前提，分别应用混沌分析法的相似点模型、线性回归模型及Lyapunov指数模型对其短期负荷预测，并对比了三种模型预测的效果，预测结果表明了混沌预测方法的有效性。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

Chaotic cellular neural network‐based true random number generator

This paper presents implementation of a chaotic cellular neural network (CNN)‐based true random number generator on a field programmable gate array (FPGA) board. In this implementation, discrete time model of the chaotic CNN is used as the entropy source. Random number series are generated for three scenarios. Obtained number series are tested by using NIST 800.22 statistical test suite. Also, the scale index technique is carried out for these three scenarios to determine the degree of non‐periodicity for key stream. Copyright © 2017 John Wiley & Sons, Ltd.     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。