基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点.     

DE＿kmeans预测液压缸零件工时定额

为提高液压缸零件工时定额预测的准确性及高效性,提出一种基于加工特征参数的DE_kmeans预测模型。首先根据工时影响因素提炼出历史及待预测加工特征参数;采用改进的DE_kmeans算法对历史加工特征参数进行聚类成组;对每个聚类组分别建立BP神经网络预测模型并基于历史加工特征参数进行训练;针对待预测加工特征参数,按照标准化欧式距离最小的原则划分至特定聚类组及预测模型;用该模型对待预测零件工时进行预测。通过测试实例验证该方法的预测误差控制在10%以内,证明该方法的可行性及有效性。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

基于决策树算法的短期电力负荷大数据预测模型

短期电力负荷预测结果,直接关联电力系统的规划、调度和运行安全,因此,研究基于决策树算法的短期电力负荷大数据预测模型,精准完成短期电力负荷预测。分析短期电力负荷,确定气象和负荷两种数据为预测所需数据,采用C均值模糊聚类算法聚类该数据后;采用低秩矩阵填充理论和奇异值阈值算法,填补聚类后数据中的缺失,基于梯度提升决策树模型预测短期电力负荷。测试结果显示：该方法聚类效果良好,气象和负荷两种数据聚类的综合相似度评价指标的最佳结果分别为0.014和0.011;数据填补性能良好,能够完成不同场景下的短期电力负荷预测,并获取不同气象条件下负荷的变化结果,应用后电力系统的运行风险值均低于0.0005。     

智能用电环境下电力负荷预测方法的研究

针对在智能用电环境下研究对象复杂且负荷随机性强,短期电力负荷预测算法精度差、计算时间长等问题,提出一种基于ELM-Adaboost神经网络改进算法预测短期电力负荷的新方法。该方法引入Adaboost算法,首先对经过预处理后的历史数据进行测试样本权重初始化,然后反复训练ELM网络预测输出,ELM算法预测过程简洁,速度快;通过Adaboost算法调整测试样本权重并确定弱预测器权重,最后将得到的多个ELM弱预测器组成强预测器。实验以某市的电力负荷数据的进行预测仿真以及结果比较。仿真结果表明该方法具有较高的预测精度,泛化性能好,具有一定的理论意义和较好的应用前景。     

改进随机森林的电力负荷预测方法

精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。     

基于RBF网络的电力市场清算电价预测

采用RBF网络模型对电力市场中的清算电价进行预测，聚类算法采用改进的模糊C均值聚类，减小了野值对输出结果的影响，隐层的输出采用聚类结果的隶属度函数，省掉了对径向基函数宽度的计算。通过美国加州电力市场公布的历史数据对该模型进行验证，结果表明该模型应用于电价预测具有较高的预测精度，并且具有训练速度快、不存在局部极小和过拟合等优点。     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。     

基于MATLAB的短时电力负荷预测方法研究

电力系统负荷预测在电力系统调度、用电、规划中起着至关重要的作用。通过对历史数据的分析和研究,基于MATLAB软件平台对ARMA时间序列和BP神经网络两种预测方法进行了仿真实现。算例仿真结果表明,进行短期电力负荷预测时,时间序列法较BP神经网络法具有原始数据少、程序实现简单和训练时间短等优点。     

EPS助力特性的改进RBF神经网络方法

针对电动助力转向(EPS)助力特性的非线性问题,提出应用径向基(RBF)神经网络强非线性能力进行电动助力转向(EPS)助力特性曲面拟合方法,并做出改进。应用改进均值聚类方法(k-means)对数据进行聚类,获取基函数参数,再用梯度下降法训练网络权值,并利用最优停止法对网络进行了优化。实验结果表明,该改进方法避免了过拟合现象,提高了网络的泛化能力,并且具有网络训练时间短,拟合的曲面精度高,预测能力强等优点。     

基于自适应模糊聚类的多模型染纱能耗软测量

针对染纱生产的工艺能耗测量问题,提出一种基于自适应模糊聚类的多神经网络的染纱能耗软测量方法.该方法采用自适应模糊C均值聚类算法,基于实时采集的样本数据,将训练集划分成不同聚类中心的子集,并自适应修正.每个子集用径向基函数网络训练得到子模型,然后根据聚类后的隶属度,将各子模型的输出加权求和获得最后结果.通过对染缸能耗软测量建模,并对其进行仿真和典型实例研究,表明该方法具有良好的预测精度和鲁棒性,且与制造执行系统结合具有良好的在线测量能力.     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

基于近邻传播算法的电力用户负荷曲线聚类分析

电力用户负荷曲线聚类分析是电力数据挖掘中的一个研究热点。负荷曲线聚类之前需对负荷曲线进行标准化处理,现有研究尚没有可以对不同标准化方法下的负荷曲线聚类结果进行评价的指标。提出了一种与标准化方法无关的电力负荷聚类评价指标,首次将近邻传播算法应用在负荷曲线聚类中,并给出了应用聚类结果的建议。算例结果表明:峰值标准化方法具有较好的聚类效果,相对于传统的负荷曲线聚类方法,近邻传播算法具有更好的聚类效果。     

基于聚类算法及BP网络的零件族构造方法研究

为解决多品种小批量产品的零件成组设计与加工的问题,提出了基于编码的K-means聚类算法和有效性指标的已有零件成组,以及利用BP网络法实现新零件归族的方法来构造零件族的方法。建立零件聚类成组的数学模型,利用函数指标来检验零件成组的有效性并得出最佳聚类族数。利用神经网络算法来进行零件分组的BP网络训练,通过训练后的网络对新的零件进行仿真,从而实现新零件的匹配。通过实例证实该方法可准确构建相似件的零件族。