基于特征提取相似日的ELM短期负荷预测研究

为解决短期电力负荷预测中预测精度差、计算时间长等问题,提出一种基于自组织特征映射网络进行特征提取相似日的极限学习机短期电力负荷预测方法。通过自组织特征映射网络找出与预测日同类型的历史数据作为训练样本;并采用预测能力强、计算时间短的ELM网络进行预测。以某市电力负荷数据进行仿真,并将上述方法与传统神经网络进行对比。仿真算例表明,基于特征提取相似日的ELM方法具有较高的预测精度,泛化性能好,且运算时间短。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于深度信念网络的短期电力负荷预测

对电力负荷预测的原理、步骤及方法做了简要分析,对深度信念网络做了细致描述,在此基础上,提出了用深度信念网络的方法预测短期电力负荷,并做了相应的实验,深度信念网络的预测值十分逼近实际值,预测误差的绝对值范围小,为0~0.08,且误差范围波动较小,预测稳定。表明基于深度信念网络的短期电力负荷预测模型预测精准,具有很高的预测精度和预测稳定性。     

基于改进神经网络模型在电力负荷预测中的实现

本文介绍了电力负荷预测的重要性,并以泊头市一周内的电力负荷值进行预测,得出PSO—ELMAN网络预测结果要比PSO—BP网络预测结果精度高得多。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

基于长短期记忆神经网络的短期负荷预测

准确的电力负荷预测是电力系统安全、稳定、经济、优质运行的前提,负荷预测的本质是通过历史数据对未来负荷情况做出预先估计。电量的快速增长和用户的多元化对负荷预测提出了更高的要求。文中提出了一种基于长短期记忆网络的负荷预测方法,利用长短期网络数据驱动和对时间序列建模强的特点,对于含非线性、不确定性的系统,提取其负荷数据中的周期特征,具有较强的自适应性。以真实数据为算例,验证了方法的有效性。     

基于PAU-LSSVM模型融合多特征变量的电力负荷预测

为了有效地提高电力负荷的预测精度,应对电力负荷的海量数据,同时兼顾负荷数据时序性和非线性,提出了一种基于PAU-LSSVM模型融合多特征变量的电力负荷预测方法。首先,基于偏最小二乘法（PLS）分析影响负荷变量间的相关性,提取影响负荷变化的特征变量。然后,根据特征变量的实时变化特征对LSSVM的模型参数进行自适应更新,建立了PAU-LSSVM负荷预测模型,并与其他深度学习方法建立的负荷预测模型进行对比。结果表明,PLS能够辨识出关键影响变量,降低训练样本矩阵维数,所提PAU-LSSVM模型能够随着工况迁移准确地预测负荷,具有较高泛化能力和工程应用价值。     

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。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...     

基于FCN和LSTM深度学习模型的电力终端负荷预测方法

针对目前研究的电力终端负荷预测方法在预测过程中,未考虑负荷终端时序性和非线性的特点,存在预测精度较低,速度较慢的问题,提出了基于FCN和LSTM深度学习模型的电力终端负荷预测方法。利用循环神经网络,建立电力终端负荷预测模型,分析记忆状态,对电力终端数据进行预处理,并编码非数字特征,确定预测模型。利用均方误差公式得到的电力终端负荷预测模型的损失函数,通过数据预处理、优化数据参数、训练电力终端负荷预测模型完成负荷预测。实验结果表明,基于FCN和LSTM深度学习模型的电力终端负荷预测方法充分分析了终端时序性和非线性特点,有效确保预测精度,提高预测速度。     

基于遗传算法的RBF网络的短期电力负荷预测

以影响电力负荷的主要因素气象参数,建立了短期负荷预测的模型,提出了一种基于遗传算法的RBF神经网络,进行了负荷预测,使用气象参数建立神经网络模型,根据已知待预测前的历史负荷数据,预测一日24小时负荷值。通过算例进行了验证,验证了计算是可行的。     

基于最小二乘支持向量机的短期负荷预测模型

支持向量机（SVM）是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机（LSSVM）,并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

应用SVM的PM2.5未来一小时浓度动态预报模型

目前现有的PM2.5模式预报值偏离实况观测值较大。针对上述问题,从上海浦东气象局获得2012年11月~2013年11月的PM2.5实况观测浓度、PM2.5模式预报（WRF-CHEM）浓度和主要气象影响因子的模式预报数据资料,在PM2.5模式预报数据的基础上,加入另外5个主要气象影响因子的模式预报数据,应用支持向量机（SVM）建立动态预报模型,提高PM2.5未来一小时浓度预报的精度,并且与径向基神经网络（RBFNN）、多元线性回归法（MLR）、WRF-CHEM作对比。实验结果表明:该算法较大提高了PM2.5未来一小时浓度预报的精度,预报精度优于RBFNN、MLR和WRF-CHEM,并且对PM2.5浓度变化剧烈的情况具有较好地预报能力。     

New method of traffic flow forecasting based on quantum particle swarm optimization strategy for intelligent transportation system

Traffic flow forecasting is one of the essential means to realize smart cities and smart transportation. The accurate and effective prediction will provide an important basis for decision‐making in smart transportation systems. This paper proposes a new method of traffic flow forecasting based on quantum particle swarm optimization (QPSO) strategy for intelligent transportation system (ITS). We establish a corresponding model based on the characteristics of the traffic flow data. The genetic simulated annealing algorithm is applied to the quantum particle swarm algorithm to obtain the optimized initial cluster center, and is applied to the parameter optimization of the radial basis neural network prediction model. The function approximation of radial basis neural network is used to obtain the required data. In addition, in order to compare the performance of the algorithms, a comparison study with other related algorithms such as QPSO radial basis function (QPSO‐RBF) is also performed. Simulation results show that compared with other algorithms, the proposed algorithm can reduce prediction errors and get better and more stable prediction results.     

基于气象因素敏感模型的短期电力负荷预测

为了充分考虑地区电网短期负荷易受气象因素影响的特点,提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型,模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化。通过对咸阳地区电网的仿真预测,证明了天气因素敏感模型应用于地区电网短期负荷预测后使预测精度明显提高,故建立的模型是可行和有效的。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于联想神经网络算法的电力系统负荷预测

基于神经网络可以模仿人脑进行智能化信息处理,对大量非结构性、非确定性规律具有自适应功能,将人工神经网络的预测原理应用于电力系统负荷预测中。分析了负荷预测的基本概念,以及基于神经网络的预测原理中正向和逆向建模的基本结构,研究了联想神经网络优化算法。设计了电力系统负荷预测模型,并对系统进行仿真测试,试验结果表明,基于联想神经网络优化算法的电力系统负荷预测具有提高预测精度的效果。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。