共查询到20条相似文献,搜索用时 16 毫秒
1.
为进一步提高风电功率预测计算效率及准确性,建立基于熵关联数据挖掘的MPSO-Elman风电功率预测模型:在分析信息熵与互信息的熵相关系数(ECC)后,对各个历史日数据样本和待测时段参考样本间的复杂非线性映射关系进行量化评估,经过高关联度样本筛选,Elman模型隐含层结构优化以及权值初值选取改进,最后采用改进粒子群算法(MPSO)对网络参数进一步优化,并以某风电场实测数据为依据进行实例分析。结果表明,该模型使得功率预测准确度达到91.24%,预测效果要优于RBF-BP模型,证明了该模型的先进性与有效性。 相似文献
2.
3.
为满足电力规划部门的实际需求,并充分利用海量开源数据,提出一种基于开源大数据,自主整理数据并自适应选择预测模型的电力负荷预测方法,该方法通过收集海量数据并归类,筛选得到多个与负荷预测强相关的数据源,并提出自适应负荷预测模型,该模型应用灰色预测函数、弹性系数预测函数、人均用电量预测函数、人工神经网络预测函数等多种数学方法,且可以根据数据来源进行相应拓展,并采用四种评价指标对多源预测结果进行修正。实例应用结果表明,该方法可以提高预测精度,工程实用价值较大。 相似文献
4.
5.
6.
针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化(social spider optimization,SSO)SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法(adaptive fuzzy C-means clustering)对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法(multi-sample social spider optimization algorithm)对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。 相似文献
7.
文章基于网络搜索大数据,以新能源汽车为例,结合统计学和计量经济学理论与方法,利用斯皮尔曼相关系数、协整检验和格兰杰因果关系,检验分析了搜索指数与新能源汽车实际需求之间的关系。以新能源汽车历史销量作为单一变量建立自回归滑动平均模型(ARMA),并与加入了搜索指数的向量自回归模型(VAR)进行比较。结果表明,加入搜索指数的预测模型相较传统的预测模型,在样本期内和样本期外的预测精度分别提高了11.69%和14.95%。该模型只需利用前4个月的新能源汽车销售数据和网络搜索大数据,就能够准确地预测下一个月的需求,在提高预测时效性的同时,也为个人、企业和政府决策提供可靠的依据。 相似文献
8.
为提高不同天气类型下光伏输出功率的预测精度,提出了一种基于注意力机制的超短期光伏预测组合模型。首先,通过皮尔逊相关系数分析,选取与光伏发电功率密切相关的关键气象因子,并对其进行逐月标准化,然后加权求和计算得到分类指标天气条件因子(Sky Condition Factor, SCF),以降低输入变量的维度,并消除季节对天气分类的干扰和众多气象因子之间的耦合关系。其次,通过自组织映射神经网络(Self Organizing Map, SOM)对SCF进行无监督聚类,划分出3种天气类型。然后,在3种天气类型下分别构建卷积神经网络(Convolutional Neural Network, CNN)预测模型,并引入高效通道注意力模块(Efficient Channel Attention, ECA),自适应地为特征信息的多重通道分配相应的权重,使模型集中于重要的特征信息,提高模型的预测精度。采用历史实测数据进行仿真,结果表明:与〖JP2〗未引入ECA模块的预测模型相比,所提预测模型在3种天气类型下的预测准确度分别提高了1.006 1%,〖JP〗1.626 1%和1.610 4%,验证了该模型的有效性。 相似文献
9.
10.
《水电能源科学》2021,39(9):205-209
为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。 相似文献
11.
12.
提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。 相似文献
13.
提升光伏发电预测的准确性有助于电网的调度管理和经济运行,其关键在于建立高效适用的预测模型。首先采用皮尔逊(Person)相关系数法对影响光伏出力的主要因素进行筛选,确立预测模型的输入特征向量;提出了一种融合Person相关系数法与遗传算法(GA)优化的ELM混合预测模型,并对预测模型中随机生成的参数进行了优化;以某一光伏电站的历史数据为研究对象,采用GA-ELM预测模型对预处理后的数据进行训练和测试,基于模型开展了四个季节典型日的光伏发电功率预测。结果表明:混合预测模型比单一的ELM预测模型和Person相关系数与ELM混合的预测模型的预估偏差率分别降低了19.2%和4.3%,验证了本文模型具有更高的准确性和稳定性。 相似文献
14.
15.
针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值(N-HiTS)模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量(ICM)指标,并采用K近邻(KNN)算法与线性插值策略处理数据缺失问题。然后,引入NHiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。 相似文献
16.
17.
针对使用数值天气预报(NWP)数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制(Attenion)门控逻辑单元(GRU)数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。 相似文献
18.
19.
针对参与需求响应的空调系统负荷预测方法存在预测精度低、预测时间长等问题,提出一种基于主成分分析(principal component analysis, PCA)与海鸥优化算法(seagull optimization algorithm, SOA)优化极限学习机(extreme learning machine, ELM)空调负荷预测模型。通过PCA提取影响空调系统负荷数据的主要特征,建立空调系统ELM负荷预测模型,并采用SOA对模型参数进行迭代寻优。为了验证算法的有效性,以某办公建筑的空调负荷数据为例进行实例分析,实验结果表明:经PCA特征提取后得到包含98.00%原信息的6项主成分,SOA-ELM模型的预测结果与实际值基本吻合,其均方根误差为0.013 7,平均绝对百分比误差为0.839 2%,决定系数高达0.991 0,训练时长为3.482 s,相较于其他3种对比模型性能更优。证明了所建模型泛化性能强、预测精度高,能够有效预测空调系统需求响应时段负荷的变化情况。 相似文献
20.
提出一种基于快速相关性约简和近邻传播聚类的卷积记忆网络短期风速预测模型。计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性;针对风速属性矩阵样本,采用压缩-激励模块(squeeze-and-excitation networks,SENet)构建属性表征序列,以该序列间距为样本相似度,利用近邻传播聚类实现样本集优选重构;构建卷积记忆网络,利用其挖掘深层特征及短期预测。通过对实际风场风速进行预测,对比实测数据,结果表明,该方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息,提高了预测精度。 相似文献