基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

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.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

基于BP神经网络数学模型的短期负荷预测研究

讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明:基于BP神经网络的短期电力负荷预测具有精度高的特点,符合预测结果的相对误差小于3.06%。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

基于灰色理论和神经网络的短期电力负荷预测

利用灰色理论中累加生成方法能够削弱负荷中随机成分的特点,以及人工神经网络可以逼近任意函数的能力,对具有任意变化规律的数据序列进行拟合和预测．实验结果表明,基于灰色理论和神经网络的最优组合模型的平均相对误差为1．307％,比BP神经网络预测和灰色理论模型预测的精度更高,具有明显优势．     

基于改进BP人工神经网络的电力负荷预测

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定,短期电力负荷预测的重要组成部分.利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测.该文研究了在改进的BP网络中加入了动量项和构建输入网络时结合了同类型日思想的模糊映射,预测结果表明比标准BP算法具有更好的性能.同时,针对大量无法用精...     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

用时间序列法进行电力系统短期负荷预测

电力系统负荷预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发,通过对历史数据的分析和研究,探索事物之间的内在联系和发展变化规律,以未来的经济、气象等因素的发展趋势为依据,对电力需求作出预先的估计和推测。本文通过使用经典的时间序列法进行短期负荷预测,以C++语言程序为计算手段,并将预测结果与实际值进行比较分析。同时类比其他各种预测的方法,对短期负荷预测的方法、过程、意义进行一些分析。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于改进灰色模型的短期电力负荷预测

针对短期电力负荷预测的特点,提出了更适合负荷预测模型,对传统灰色预测模型的局限性进行了改进。采用三点平滑处理削弱了个别不理想数据对整个数据序列的影响,对GM(1,1)模型进行了残值修正,建立了针对后验差检验不合格情况下的新的GM(1,1)模型。通过实证分析与相对误差的比较,该模型具有良好的适应性,可大大提高预测的精度。     

一种短期负荷预测的自适应神经网络方法

提出了自适应BP神经网络模型预测短期负荷的方法。依据负荷的日相关性把历史负荷分成24组样本数据,再用BP网络来映射样本数据。采用初始化样本数据,增大节点作用函数陡度,变换隐层节点作用函数形式,自适应调整学习参数等方法提高了BP网络的学习速度,得到了较为满意的预报结果．     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.