动态调整蚁群-BP神经网络模型在短期负荷预测中的应用

为提高短期电力负荷预测精度,提出了动态调整人工蚁群算法(DAACS),对BP神经网络参数进行优化,建立了动态调整人工蚁群-BP神经网络组合算法(DAACS-BP)预测模型,综合考虑气象、天气、电价、日期类型等影响因素,对四川电网进行短期电力负荷预测.仿真表明,该方法克服了BP神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,收敛速度快,输出稳定性好,提高了电网短期负荷预测的精度,可有效用于电力系统短期负荷预测.     

蚁群灰色神经网络组合模型在电力负荷预测中的应用

灰色GM(1,1)预测模型,在负荷预测中得到了广泛应用,但是也有其局限性.当数据灰度越大,预测精度越差,并且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数造成的,为此引入向量,建立蚁群灰色模型,然后与神经网络模型相组合,即建立蚁群灰色神经网络组合预测模型.实证分析表明,该预测方法是合理有效的,与传统的预测方法相比,提高了预测精度,具有较好的实用价值.     

基于改进蚁群神经网络的短期负荷预测

在传统神经网络负荷预测的基础上,采用蚁群算法优化神经网络的权值,同时再用模糊逻辑对影响负荷的随机因素进行修正,提出了改进的蚁群神经网络算法。对四川某500kV变电站进行短期负荷预测,结果表明这一算法能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

蚁群灰色神经网络组合模型在电力负荷预测中的应用

灰色GM(1,1)预测模型,在负荷预测中得到了广泛应用,但是也有其局限性。当数据灰度越大,预测精度越差,并且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数 造成的,为此引入向量 ,建立蚁群灰色模型,然后与神经网络模型相组合,即建立蚁群灰色神经网络组合预测模型。实证分析表明,该预测方法是合理有效的,与传统的预测方法相比,提高了预测精度,具有较好的实用价值。     

基于AGA-RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法(AGA)作为RBF神经网络的学习算法,来确定RBF神经网络隐含层的中心参数和宽度参数,形成AGA-RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效提高预测精度和改善网络性能.     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合 GN( Gauss- Newton) - BFGS( Broyden- Fletcher- Goldfarb- Shanno)法进行RBF(径向基函数 )神经网络学习的算法。这种方法结合 GN法与 BFGS法的特点 ,既尽可能地利用了问题本身的特殊结构 ,又能取得超线性甚至二次渐近收敛率 ,因此有效地提高了学习效率。在学习过程中 ,利用该方法能够区分零残量和非零残量 ,并利用这种特点进行隐层神经元数目的自动调整 ,从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明 ,该方法同神经网络的其他算法相比 ,具有训练时间短、预测精度高的特点     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合GN(GaussNewton)-BFGS(BroydenFletcherGoldfarbShanno)法进行RBF(径向基函数)神经网络学习的算法。这种方法结合GN法与BFGS法的特点，既尽可能地利用了问题本身的特殊结构，又能取得超线性甚至二次渐近收敛率，因此有效地提高了学习效率。在学习过程中，利用该方法能够区分零残量和非零残量，并利用这种特点进行隐层神经元数目的自动调整，从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明，该方法同神经网络的其他算法相比，具有训练时间短、预测精度高的特点。     

基于AGA—RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法（AGA）作为RBF神经网络的学习算法．来确定RBF神经网络的隐含层的中心参数和宽度参数,形成AGA—RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效地提高预测精度和改善网络性能。     

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。     

一种改进的RBF神经网络及其在短期交通量预测中的应用

文中提出了一种改进的RBF神经网络最近邻聚类学习算法，并将其应用于短期交通量预测中，实验结果表明，改进算法的拟合效果明显优于常规最近邻聚类学习算法的拟合效果，可以明显提高RBF神经网络的性能。     

基于混合粒子群算法和NRBF神经网络的短期电价预测

提出一种混合粒子群算法,在局部邻近区域的粒子群算法中引入收缩因子和被动聚集,将最邻近聚类用于NRBF 神经网络的参数确定中,采用混合粒子群算法优化最近邻聚类的聚类半径,从而确定NRBF 神经网络的参数,提高了NRBF 神经网络的泛化能力。以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于混合粒子群算法和NRBF神经网络的短期电价预测

提出一种混合粒子群算法,在局部邻近区域的粒子群算法中引入收缩因子和被动聚集,将最邻近聚类用于NRBF神经网络的参数确定中,采用混合粒子群算法优化最近邻聚类的聚类半径,从而确定NRBF神经网络的参数,提高了NRBF神经网络的泛化能力.以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证,证明了此方法所建立的模型的合理性和有效性.     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

基于蚁群系统(ACS)的配电网重构

配电网络重构是一个非常复杂的大规模组合优化问题。提出了一种新颖的基于蚁群系统的算法来求解正常运行条件下的配电网络重构问题,以达到损失最小。蚁群系统算法ACS(Ant Colony System)是一种新型通用内启发式算法。结合配电网的特点,应用蚁群算法来解决配电网重构问题,建立了相应的数学模型,并给出求解算法。研究了一个算例系统,并给出了计算结果。结论表明,提出的算法是可行、有效的。     

基于蚁群系统(ACS)的配电网重构

配电网络重构是一个非常复杂的大规模组合优化问题.提出了一种新颖的基于蚁群系统的算法来求解正常运行条件下的配电网络重构问题,以达到损失最小.蚁群系统算法ACS(Ant Colony System)是一种新型通用内启发式算法.结合配电网的特点,应用蚁群算法来解决配电网重构问题,建立了相应的数学模型,并给出求解算法.研究了一个算例系统,并给出了计算结果.结论表明,提出的算法是可行、有效的.     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响.现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测.该模型根据群体适应度方差以及当前最优...     

带杂交、变异因子的自适应蚁群算法在电力系统无功优化中的应用

蚁群算法是一种通用仿生算法,可求解传统方法难以解决的非凸、非线性、非连续的优化问题.本文针对基本算法的缺点,结合遗传算法和自适应思想对其进行改进,并应用于电力系统无功优化问题.通过IEEE6结点算例和某地区一个实际配电网算例,验证了算法的有效性.     

基于改进蚁群算法的输电网络扩展规划

输电网络扩展规划问题是一个复杂的组合优化问题。蚁群算法是用于解决组合优化问题的一种高效的随机化内启发式全局搜索技术。文中结合单阶段输电网络扩展规划问题的特点，应用改进的蚁群算法来解决输电网络扩展规划问题，建立了相应的数学模型，并给出求解算法。2个算例系统的计算结果表明了这种方法可有效减小搜索空间，并具有计算速度快和收敛性好等优点。     

带杂交、变异因子的自适应蚁群算法在电力系统无功优化中的应用

蚁群算法是一种通用仿生算法 ,可求解传统方法难以解决的非凸、非线性、非连续的优化问题。本文针对基本算法的缺点 ,结合遗传算法和自适应思想对其进行改进 ,并应用于电力系统无功优化问题。通过IEEE6结点算例和某地区一个实际配电网算例 ,验证了算法的有效性