GM(1,1)改进模型在广西短期电力负荷预测中的应用

采用GM(1,1)改进模型与ARIMA(p,d,q)模型对广西自治区电网特殊日电力负荷进行组合预测,阐述了GM(1,1)改进模型的建立方法,提出了适用于广西自治区电网特殊日电力负荷预测的预测数据处理方法,提高预测的精确度,全年日精确度优于95%.解决了在日采样点为24点(正点采样)情况下预测确度较低的问题.     

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法（GMDH）进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.     

基于相似搜索和神经网络的次日边际电价预测

为了对电力市场次日系统边际电价(SMP)进行准确预测,根据数据挖掘中的相似搜索理论和人工神经网络(ANN)工具建立了预测模型,其中相似搜索用来生成神经网络的训练集和输入矩阵,并运用Matlab6.5中的神经网络工具实现该模型.采用美国加州电力市场的历史数据进行实例计算,证明该方法对工作日SMP的预测效果较好,也证明了选择与预测日负荷相似或邻近日的历史数据进行网络训练方法的有效性.     

采用神经网络与模糊曲线相结合的短期电力负荷预测方法

文章提出了一种神经网络(ANN)与模糊曲线(Fuzzy Curve)有机结合的短期负荷预测方法,该方法采用ANN作为基本负荷预测,再用模糊曲线考虑影响负荷变化的因素(如天气的迅速变化、重大节假日等),对基本负荷预测做出修正,从而得到最终的负荷预测值。同时,针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能。实例表明,该ANN—FC模型实用有效、精度高。     

基于数据挖掘技术的电力日负荷优选组合预测

提高日负荷预测精度的关键在于数据预处理。提出了基于联合数据挖掘技术的电力负荷优选组合预测方法。通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此再构建优选组合预测模型。     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于人工神经网络的中期电力负荷预测研究

采用人工神经网络(ANN)进行电力负荷中期预测．阐述了人工神经网络的基本原理和反向传播算法(Back Propagation)．根据实际情况建立了人工神经网络的模型并利用Visual Basic编制了相应的计算程序．进行了实例计算，并验证了ANN适用于中期电力负荷预测．     

建设需求量预测分析中的人工神经网络和多元回归方法

利用人工神经网络（ANN）和多元回归（MR）预测方法分别基于中国统计年鉴和香港房屋署的相关数据对中国内地和香港地区的建设需求量进行预测,并对两种预测手段得到的预测结果的可信度和离散程度进行对比分析.基于ANN和MR两种预测手段的不同特性,从预测结果中可以看出,就香港地区的预测情况而言,ANN方法产生的结果比回归模型更加精确;从内地的预测结果来看,ANN和MR的预测精度几乎一致.对于存在较大波动性的数据而言,ANN模型建立的非线性关系可以更精确地描述预测结果,反之,两种预测模型的应用均可得出良好结果.同时,经预测得知,两地的建筑需求量都存在上升趋势,有关部门应采取相应措施提前做好规划工作.     

基于人工神经网络的结构腐蚀损伤定量预测

用BP神经网络算法分别对飞机结构材料，1Cr17不锈钢腐蚀损伤数据进行学习训练，建立了腐蚀损伤与环境条件的映射模型，并预测腐蚀损伤值。结果表明，ANN预测的精度比灰色GM（1，1）模型及Logistic模型的预测精度高，且对数据有较好的适应能力，将ANN技术用于飞机结构腐蚀损伤预测是可行的。     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络（BP）的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

改进的人工神经网络水文预报模型及应用

在人工神经网络水文模型的研究中,往往加入前期径流以提高模型的预报精度.针对由此带来的问题,通过耦合总径流线性响应模型,建立一种基于人工神经网络的实时预报模型.通过引入总径流线性响应模型的模拟径流作为模型输入,模型的模拟模式能够提供较长的预见期,同时加入误差校正模型的实时预报模式也能够取得较高的模型精度.采用3个不同流域的流量资料对模型进行率定与校核.结果表明,模型能够取得较高的预报精度,显示了良好的适用性.     

短时交通流智能混合预测技术

为了克服现有单项预测技术对不同交通流状况的局限性,提出一种新的短时交通流智能混合预测模型.该智能混合预测模型包括3个子模型:历史平均模型、人工神经网络模型和模糊综合模型.历史平均模型以历史数据为基础,利用一次指数平滑法良好的静态稳定特性,对交通流量进行预测.人工神经网络模型采用常见的由S函数神经元组成的1.5层前馈神经网络,由于人工神经网络具有强大的动态非线性映射能力,该模型对动态交通流量的预测具有较高的精度和满意度.根据上述2个单项模型的特点,为了充分利用它们对不同交通状况的适应性,进一步提高整体预测效果,采用模糊逻辑来综合这2个单项模型的输出,并把模糊综合模型的输出作为整个智能混合模型的最终交通流量预测值.实际应用结果表明,该混合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了2种模型各自的优势,是短时交通流预测的一种有效方法.     

改进遗传神经网络及其在负荷预测中的应用

针对遗传算法早熟的缺陷,提出了改进的交叉,变异策略,采用移民算子等方法改善遗传算法的性能,并把此方法应用到神经网络的训练中,对电力系统短期负荷进行预测取得了较为理想的效果。     

RBF神经网络在电力负荷预测中的应用

将ＲＢＦ（ＲａｄｉａＢａｓｉｓＦｕｎｃｔｉｏ．辐基函数）人工神经网络模型用于电力系统日峰值负荷与日小时负荷的预测。文中首先给出了ＲＢＦ网络的结构，然后讨论确定ＲＢＦ网络中心及网络训练的聚类法和正文化法。利用从京津唐系统中收集到的负荷数据进行网络模型的训练和回响检测，所得结果证实了ＡＢＦ网络用于负荷预测的有效性。     

应用概率神经网络预测股市的方向变化

预测股票价格的方向变化是一个分类问题,可以有效的指导投资决策,获取投资利润。运用概率神经网络能够有效的进行模式识别,具有训练速度快,可以实时更新数据的优势,因此在金融时间序列的分析预测中有一定的应用价值。通过概率神经网络提供的贝叶斯分类器,应用概率神经网络作用原理,对上证180指数的变化方面进行了预测,结果表明了概率神经网络在预测股标市场的方向变化方面具有实用性。     

基于BP神经网络的松花江四方台水质预测

为实现松花江四方台CODMn的预测,应用人工神经网络技术(ANN),在预测模型中采用LM(Levenberg-Marquardt)算法提高网络的收敛速度,并采用提前停止法提高网络的推广能力.ANN样本集数据来源于1997～1999年3年的四方台监测站日检测水质数据.采用拉依达准则法剔除样本集异常数据.为更有效地评估预测模型的准确性,将松花江分为丰雨期、封冻期和其他月份来分别考察预测效果.并对1999年以后近期与远期的水质预测效果进行对比.结果表明:丰雨期预测效果最差,封冻期最好,其他月份介于之间,模型对近期水质的预测效果要明显好于对远期的预测效果.整体预测效果不错,可用于指导实际的水质管理.     

人工神经网络在建筑管理中的应用

人工神经网络是在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论,通过对人脑的形象思维、联想记忆等进行模仿和抽象实现与人脑相似的学习、识别、记忆等信息处理能力。由于它的非线性、并行处理、自适应、自组织等特性,被广泛应用于各个领域中。人工神经网络的建筑工程管理中广泛应用将在很大程度上提高建筑工程的管理水平,如在预测、经济预警、风险分析、成本控制、成本预算、工程事故诊断分析、工程投标报价等方面具有广阔的应用前景,本文将从其中的几个方面来介绍其应用。