基于BP神经网络的空调负荷预测

本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果。文章进一步分析了可能存在的误差及提高预测精度的方法。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于高阶BP神经网络的日最大负荷预测

随着社会的发展,人们的日常生活和工作生产越来越依赖于电力系统.精准的电力负荷预测是电网安全、稳定运行的重要保障.为减小节假日在日最大负荷预测过程中的影响,提出了法定节假日对日最大负荷的影响及日类型量化处理方法,并采用一种改进的BP(back propagation)神经网络——高阶BP神经网络进行连续多天最大负荷预测.实验算例结果表明:该数据处理和预测方法能有效地减小节假日对负荷预测的影响,提高了预测精度,并有较强的工程实践价值和应用前景.     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。     

基于深度神经网络的电力负荷预测方法研究

电力负荷预测在能源领域具有重要的应用价值,电力负荷预测是电力系统运行和管理中的重要环节。准确的电力负荷预测有助于电力系统运营商提前做好供电计划,能优化资源配置,提高运营效率。随着人工智能技术的发展,基于深度神经网络的电力负荷预测方法引起了学者们的广泛关注,探究基于深度神经网络的电力负荷预测方法能有助于电力设备的稳定输出,对经济发展具有重要的现实意义。     

热负荷预测的RBF神经网络预测方法研究

由于BP神经网络存在一些缺点,本文采用RBF神经网络方法用于热电厂热负荷预测。预测结果表明：用本文的方法进行热负荷预测得到了十分满意的结果。     

热负荷的预测分析

应用Matlab神经网络工具箱函数,建立了可用于热网供暖短期预测的前向反馈BP网络模型,并根据乌鲁木齐市华源热力公司的实际供热网络数据,对所建立的网络进行了训练和检验.结果表明:该模型具有较好的预测特性,为热网监控与调节提供了依据,从而可实现按需供热,节约能源.     

基于CNN特征选择与QRGRU的电力负荷概率密度预测方法

针对一般预测方法难以提供负荷概率性信息,且难以兼顾负荷数据的时序性和天气、日类型等非连续特征的缺陷,文章提出一种基于卷积神经网络(Convolutional Neural Network,CNN)结合门控循环神经网络分位数回归(Gated Recurrent Neural Network Quantile Regres...     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

电力负荷预测与新息法

电力负荷预测是国民经济发展计划的一个重要组成部分.电力工业技术上的一个显著特点是:发、供、用电必然联系在一起,形成一个有机的整体—电力系统.电力系统在任何瞬间都严格要求在功率和能量上保持平衡.随着国民经济的不断发展,重要用电不断增加,电力系统必然越发展越大,对供电的可靠性,供电的质量要求将越来越高.安全、可靠地发、供电已成为保证国民经济发展和社会稳定的重要条件.电力负荷预测不但是电力工业发展、电源规划、电网规划的前提条件,也是电网发、供、用综合平衡,安排电网运行方式的重要参数,同时也是用电单位新建、重建设计时的重要参数.因此,负荷预测的重要性已越来越受到各方面的重视.     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。     

基于变学习率BP模型的城市燃气短期负荷预测

建立了基于变学习率BP模型的城市燃气短期负荷神经网络预测模型。输入元为城市燃气短期负荷的五个影响因素：日期类型、天气类型、日最高气温、日最低气温、日平均气温。网络结构为5-6-1。输出元为燃气短期负荷。用VC＋＋编程,变学习率为0．3和0．7,经过19086次迭代,模型收敛,全局误差为0．00049999。数据对比分析发现相对误差在5％之内,说明该模型是准确有效的。     

电力负荷预测的模糊可变集合方法

应用模糊可变方法对电力负荷进行了预测.利用负荷与三大产业的生产总值的历史数据构造指标集,并应用差异函数建立电力负荷预测模型.该方法能够科学、合理地确定与电力负荷相关的各个研究指标处于级别区间的相对隶属函数,并根据指标重要性进行二元比较与量化,从而合理地确定各个指标的权重,得出电力负荷预测的级别特征值.实例证明,方法是合理的.     

基于BP神经网络的输油管道能耗预测方法

为准确预测输油管道运行过程中的能源消耗,通过分析输油管道运行报表,确定评价输油生产过程中的主要能耗指标,利用BP神经网络,建立了输油管道能耗预测模型。用某输油管道运行能耗数据做样本,对所建立的能耗预测模型进行训练与测试。预测结果表明,该模型能准确地预测输油管道的能耗,预测平均相对偏差不超过4％。该方法为输油管道能耗预测提供了一种新思路,有较高的使用价值。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于卷积神经网络的负荷预测

电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义。传统的预测模型主要基于时间序列分析,由于其不可忽略的预测误差,已经不能完全满足电力系统的实际需要。为提高预测精度,将时间序列数据分析转变为图像处理,并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测。卷积神经网络(convolution neural network, CNN)作为图像处理的有力工具,尽管已有学者将其用于时间序列数据处理,但仍是将数据作为序列矩阵处理,并未体现出CNN处理图像矩阵的优势。因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network, STI-CNN),将负荷序列转换为负荷图像,使CNN可以更有效地提取相邻信息特征,充分考虑到各种外部影响因素,使用双分支深度网络模型对输入数据进行精确聚类,通过STI-CNN方法进行负荷预测。负荷预测实验结果表明,所提STI-CNN方法在不同的预测指标方面都有卓越的表现,所用预测时间更短,具有更高准确度。     

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R²)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。     

基于BP神经网络模型的阿克苏市城市需水量预测

科学地预测城市需水量对城市的发展具有十分重要的意义.采用BP人工神经网络方法对阿克苏城市需水量进行预测,取得满意的效果,论证此种预测方法的可行性和有效性.