基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6~9.0之间、2.3%~4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。     

基于改进的k-means聚类算法的季节性负荷特性分析

负荷特性分析的研究对电力系统稳定运行和调度具有重要意义。以历史负荷数据为基础,采用改进的k-means聚类方法得到具有代表性的负荷特性曲线。在考虑了检验聚类结果有效性模型的基础上加入了最大最小算法,让初始聚类中心稳定;采用改进的k-means聚类典型场景缩减算法,考虑到气候因素的影响,按照春、夏、秋、冬4个季节来对负荷数据进行分类,对历史负荷数据进行处理,得到具有代表性的负荷特性曲线。以某市的历史数据为例进行仿真分析,结果表明,该算法可以将原始的大规模场景缩减合并后得到可以表述该市的几个更少的负荷特性曲线,具有代表性和准确性,更具实际应用价值。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于串联形式智能融合算法的燃气轮机建模与仿真

为提高燃气轮机整体动态仿真模型的准确性与实用性,基于预先构建的机理、BP神经网络和逐步聚类分析法3种单一仿真模型,分别将BP神经网络和逐步聚类分析法模型与机理模型进行组合,创新性地构建了2套串联形式的智能融合模型,有效地克服了机理模型部分过程过于简化和参数获取困难、智能预测模型高度依赖数据质量和缺乏外延性等缺陷,并将上述模型应用于辽宁某钢厂燃气轮机的仿真研究。结果表明：单一仿真模型中智能预测模型的预测效果较好,且逐步聚类分析法模型优于BP神经网络模型;智能融合模型的精度比单一仿真模型更高,其中逐步聚类分析法+机理智能融合模型的仿真效果更优。     

城市燃气小时负荷预测模型研究

城市燃气小时负荷预测的研究对燃气调度系统的安全与稳定具有重要意义。为了提高城市燃气小时负荷预测精度,在分析讨论主成分分析特性和BP神经网络优缺点的基础上,建立了利用主成分分析法对BP神经网络进行优化的小时负荷预测模型。该模型综合了主成分分析的降维特性和BP神经网络具有强大的自学习和自适应能力等特点,首先通过主成分分析法对所有相关影响因子进行降维处理,再将处理后累计贡献率占比85%以上的几种主成分作为输入层神经元输入BP神经网络进行训练,最后运用该组合模型对某县的小时负荷进行预测。实例分析表明:与单一模型相比,提出的PCA-BPNN组合预测模型精度更高,是一种更为有效的城市燃气小时负荷预测方法。     

证据理论融合蚁群神经网络的短期负荷组合预测

为提高短期负荷预测的精度,引入了证据理论融合蚁群神经网络的组合预测方法,根据重庆市负荷的实际数据,采用蚁群神经网络作为单一模型对其进行初步预测,由BP神经网络对预测误差及主要外界影响因素进行分析建模,获得了每个模型的可信度,并用证据理论对可信度进行合成得到组合权值,进而实现对短期电力负荷的组合预测。结果表明,该方法拟合误差小、预测精度高,具有一定的应用价值。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

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。     

基于炉膛火焰图像的燃煤机组负荷预测

为了准确地进行燃煤机组负荷预测,引入支持向量机（SVM）方法建立了锅炉炉膛多层火焰图像与机组负荷之间的复杂关系模型.将该方法应用于某660 MW燃煤锅炉机组中,用训练后的SVM模型进行负荷预测,并与BP神经网络模型预测结果进行比较.结果表明：采用SVM方法预测机组负荷,模型能够辨识出火焰辐射图像与机组负荷之间的复杂关系,实现对负荷的准确预测;SVM模型预测精度比BP网络模型高,SVM模型具有预测精度高、泛化能力强等优点,且模型训练时间较短.     

基于遗传算法优化神经网络的光伏电站短期功率预测

针对现有光伏发电预测的不足,基于遗传算法(GA)和神经网络(BP)算法构建光伏电站功率预测模型,并使用组合权重法遴选相似日对模型进行修正。采用新疆某光伏电站运行实例验证模型的有效性,并对比BP-GA模型与单一BP模型的预测误差。结果表明,BP-GA模型克服了传统单一BP模型的不足,具有较高的预测精度,可为光伏发电预测工程实践提供参考。     

基于k-means聚类的SVR短期风速预测

准确的风速预测是风力发电功率预测的重要基础。为了进一步提高风速预测精度,文章提出一种基于k-means聚类的支持向量回归机(SVR)的短期风速组合预测新方法。首先分析影响风速变化的因素,计算不同风速属性相对于风速序列的皮尔逊相关系数(PCC)值,并对其进行加权;然后采用k-means聚类方法对风速样本进行聚类;再利用SVR针对每组样本建模;最后结合实际风电场进行仿真,结果表明,该方法具有较高的准确性和可行性。     

基于长短期记忆神经网络的饱和负荷预测方法及应用

为充分分析关联因素对饱和负荷水平的影响,针对饱和负荷预测不确定性强、时间相关性大的特点,利用长短期记忆神经网络的长期记忆单元与可遗忘机制保存和更新历史用电信息,构建了多输入的长短期记忆神经网络饱和负荷预测模型。首先提取出人口、经济等6个影响因素作为网络模型输入量,采用Adam优化方法训练网络模型,并在多场景下,运用优化后的模型进行饱和负荷预测,结合饱和判据得到最终的饱和时间与用电规模。某省电网的饱和负荷预测结果表明,所建模型及预测方法合理、有效。     

含分布式能源区域电网月最大净负荷概率预测

负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。     

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。     

基于循环神经网络的配电网非线性负荷建模

大量非线性负荷接入配电网导致电能质量问题日益严重,非线性负荷建模的精确性在一定程度上影响配电网谐波潮流计算和电能质量分析。考虑到非线性负荷在复杂运行条件下难以采用机理动态模型描述,以及基于预测方法的建模难以避免误差,构建双层循环神经网络模型,包含循环神经网络的初步功率预测层和误差修正层,初步功率预测层根据负荷功率和电压等训练样本,预测得到下一时刻的负荷功率;误差修正层根据前一层初步预测功率与量测功率的偏差,对下一时刻预测功率进行反馈修正。电压波动在一定程度上影响负荷功率变化,采用STL算法对电压进行时序分解,通过设置残差分量阈值来判断是否激活误差修正层。算例验证表明,所提建模方法较好地实现非线性负荷的拟合,同时能够避免电压波动较大时的建模精度下降。     

基于CVMD-GRU-DenseNet混合模型的短期电力负荷预测

针对电力负荷时序变化非线性和多周期性特点，提出一种基于分解-预测-重构框架的CVMD-GRU-DenseNet短期负荷预测方法。分解阶段依据子序列间的相关熵确定VMD最佳分解数，提高负荷序列分解质量；预测阶段针对各子序列特点筛选输入特征，规律性强的低频分量采用GRU神经网络预测模型，强随机性的高频分量采用DenseNet神经网络预测模型；最后将各分量的预测结果重构为负荷预测曲线。湖北某市四季的实际负荷算例结果表明，该方法能有效提高短期负荷预测精度，并具有较强的泛化能力。     

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ACC-RBF的水布垭面板堆石坝参数反演分析

蚁群聚类径向基函数(ACC-RBF)神经网络是将蚁群聚类算法和径向基函数神经网络组合运用的一种新型神经网络模型,把该网络用于水布垭高面板坝堆石体的多参数反演问题,在室内试验参数的基础上用有限元计算获得学习样本,采用该网络对坝体堆石料的邓肯E-B模型参数进行反演分析,用反演所得参数结合三维非线性有限元计算坝体应力变形,并...     

增量处理双隐层BP神经网络风电功率预测模型

风电场功率预测现有模型一般采用基于批量训练方式的单隐层BP神经网络,针对该模型易陷入局部极小及预测精度较低等缺点,结合风电场功率预测数据量大及不确定性大的特点,建立一种基于增量处理方式的双隐层BP神经网络模型,具有预测精度高、较好跟踪功率波动、运算速度快、不易陷入局部极小等优点;目前预测模型一般使用线性归一化方法对神经网络输入输出参数进行处理,基于风电场功率数据取值分布不均匀的特点,提出一种新的非线性归一化方法,实例证明,该方法可有效提高预测精度,尤其是较高功率值和较低功率值预测效果更佳。