一种短期电力负荷预测方法

针对短期电力负荷预测中影响因素多、变化随机、非线性等特点,提出一种相似日的优化BP神经网络短期电力负荷预测方法。考虑到短期负荷波动的影响因素较多,相似日的选取综合了气象因素、日期因素和时间距离因素。同时,在负荷预测中常用的BP神经网络预测方法的基础上,引入遗传算法对BP神经网络算法的初始权值和阈值寻优进行改进。仿真表明优化BP神经网络算法与相似日结合的方法预测时在稳定性和精确度方面得到较大的提高。     

模糊神经网络在电力市场短期负荷预测中的应用

在电力市场下的短期负荷预测问题中,考虑到天气和其它影响因素,将模糊系统与神经网络在负荷预测系统中按串联方式连接组成模糊神经网络(FNN),进行短期负荷预测.在负荷预测过程中,首先对负荷、天气、日期等数据进行模糊化处理,然后采用两种典型有效的改进BP算法对神经网络进行训练,并比较其速度与精度等.最后用训练好的网络进行预测,将预测结果与实际数据进行比较,证明其具有较好的预测效果.     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

模糊神经网络在电力市场短期负荷预测中的应用

在电力市场下的短期负荷预测问题中，考虑到天气和其它影响因素，将模糊系统与神经网络在负荷预测系统中按串联方式连接组成模糊神经网络（FNN），进行短期负荷预测。在负荷预测过程中，首先对负荷、天气、日期等数据进行模糊化处理，然后采用两种典型有效的改进BP算法对神经网络进行训练，并比较其速度与精度等。最后用训练好的网络进行预测，将预测结果与实际数据进行比较，证明其具有较好的预测效果。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

神经网络在电力负荷预测中的应用研究

研究电力负荷预测问题,针对精确测量电力负荷,由于影响电力负荷因素之间存在着菲线性,因素之间存在冗余信息,传统的数学模型在电力负荷预测中精度较低,为了有效提高电力负荷的预测精度,提出了一种主成分分析(PCA)和BP神经网络相结合的电力负荷预测方法.利用PCA对电力负荷的影响因素进行特征提取,以BP神经网络对经过PCA处理得到的新的变量进行训练建模,采用PCA - BP神经网络模型对河南某地区的电力负荷进行了仿真.结果表明,相对于参比模型,可有效地消除因素间的冗余信息,降低了BP神经网络的输入维数,简化了网络的结构,加快了学习速度,显著提高了电力负荷预测精度,证明提出的预测模型在电力负荷预测中是有效.     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

基于模糊聚类的电力用电负荷用户识别分析

为了提高电力用电负荷用户的精细化管理,提出了一种基于模糊聚类的电力用电负荷用户识别分析方法。分析了某区域用户的工业负荷变化规律,研究了电力数据与天气之间的改变及其日负荷特征曲线,同时引入模糊聚类分析方法,对上述工业负荷的用电特征进行了判断。选择某区域的工业负荷用户进行研究,对用户进行负荷曲线计算。并通过实验测试来验证本文方法的可行性,以此作为供电公司对用电数据进行精细管理的参考依据。     

电力负荷的预测方法的建模与仿真

研究电力负荷预测准确性问题,电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,单一预测方法不能全面进行准确预测,导致电力负荷预测精度低.为了提高电力负荷预测精度,提出一种ARMA和BP神经网络的组合预测方法.首先采用ARMA模型对电力负荷的周期性变化规律进行预测,然后结合BP神经网络方法对电力负荷的随机变化规律进行预测,最后将2种预测结果进行相加,得到组合模型的电力负荷预测结果.采用某市电力负荷数据对组合模型预测性能进行验证,实验结果表明,组合模型充分利用了单一模型优势,使电力负荷的预测提高了精度,为电力负荷的预测提供了有效手段.     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

系统负载与并行程序运行时间的关系

负载共享技术在并行处理中是至关重要的,通过对大量负载共享献的考究发现,以前的研究都是基于一定系统负载而进行平衡自救的设计,它们很少考虑到所选定的系统负载与程序运行时间之间的准确关系,为了确定系统负载对并行程序运行的影响,确定了影响并行程序运行的两个重要系统因素：ＣＰＵ负载和网络负载,为了不失一般性,也为了简化网络负载的测量,选用２ＮＡＳＰＶＭ并行Ｂｅｎｃｈｍａｒｋ作为实验测试对象;为了得到程序运     

一种基于预测的负载平衡策略

分布式和并行系统的负载平衡是影响系统性能的一个重要因素，本文提出了一个基于预测的动态负载平衡算法，本算法以本地负载信息为基础预测该结点达到空闲状态的时间，并且在该结点到达空闲状态之前发出任务请求，从而保证系统中各结点都处于忙碌状态，提高系统资源的利用率，提高系统性能。     

动态负载均衡策略及相关模型研究

为了提高分布式计算机环境中负载均衡的效率,提出一种基于启动者动态改变和阈值自适应的高效动态负载均衡策略。该策略根据分布式环境中各计算机的负载状态以及接受者启动策略和发送者启动策略的优缺点,动态改变负载阈值和启动者策略。研究了四个关键问题,即负载的分配、负载探测、负载状态的定义以及均衡策略,给出适合该策略的问题解决办法和结构模型。理论分析和实验结果表明,该策略能够有效地均衡负载,减小系统内部通信量,同时能够有效地抑制系统负载抖动。     

基于负载权值的负载均衡算法

为解决服务器集群负载分配不均的问题,综合考虑节点负载和节点性能信息,提出了基于负载权值的动态反馈负载均衡算法。利用负载权值选择分配负载的节点集合,保证性能高的节点分配到较多的负载;引入负载差值计算节点分配负载的概率,使得负载的分布更加均匀;通过负载增量及负载修正保持系统的稳定性。使用OPNET仿真软件进行测试,结果表明该算法能有效提高负载均衡效率,有较好的负载均衡效果。     

视频数据的存储调度优化策略

文章论述了采用多个代理服务器的视频点播系统中负载平衡的基本原理,指出了现有动态均衡解决方案存在的问题,各节点机的负载评价问题和任务迁移的抖动问题,进一步分析了负载接入量和接入许可问题,以及文件存储的静态调整技术.同时提出了以节目点播概率为参数,周期性调整系统中的节目文件存储,以便使用户的点播请求合理分配到各视频服务器,从而实现整个系统的负载均衡的基于点播率的存储动态调整算法.     

一种基于实时负载的动态负载平衡策略

在分布式系统中采用动态负载平衡算法分配系统中的工作负载,能够提高系统的性能。在简述目前常用的几种动态负栽平衡策略的基础上,提出了一种基于实时负载的动态负载平衡策略,并给出了其调度算法。     

Neural-wavelet Methodology for Load Forecasting

Intelligent demand-side management represents a future trend of power system regulation. A key issue in intelligent demand-side management is accurate prediction of load within a local area grid (LAG), which is defined as a set of customers with an appropriate residential, commercial and industrial mix. Power consumption is deemed to be unpredictable in some sense due to the idiosyncratic behaviors of individual customers. However, the overall pattern of a group of consumers is possible to predict. The developed neural-wavelet approach is shown capable of handling the nonlinearities involved and provides a unique tool for intelligent demand-side management. The paper presents the neural-wavelet approach and its implementation to load identification and forecasting.     

The muscular load on the lower back and shoulders due to lifting at different lifting heights and frequencies

The aim of the study was to investigate the muscular load on the lower back and shoulders and the circulatory load on employees at a post center during repetitive lifting of mail transport boxes. A mock-up was designed in the laboratory, a total of nine combinations of lifting height and frequency were studied. Surface EMG was recorded bisymmetrically from m. erector spinae (L3-level) and m. trapezius. The circulatory load was evaluated by measuring the heart rate. The results show a trade off between the low back and shoulders. The maximum load on the low back occurred at the low lifting height (36.3 and 54.4 cm) whereas the maximum load on the shoulders occurred at the high lifting height (144.9 and 163.0 cm).     

负载均衡技术的发展

随着网络技术的发展，涌现了一大批网站，同时网站的访问量也大量增加．一些网站由于迅猛增加的访问量造成服务能力跟不上，从而影响到了网站的业务发展。负载均衡技术的出现和发展一定程度上解决了这个问题。本文概括描述了负载均衡技术需要解决的三个大问题，同时比较了现有的负载均衡技术的优缺点，并在此基础上提出了自己的改进方法。     

Java并行计算环境中的负载监测系统

动态负载平衡是使用机群进行网络并行计算的关键，而获取节点的负载信息是实现动态负载平衡的前提。该文介绍了Java并行计算环境中负载监测系统JSYS的体系结构和使用Java中RMI结合JNI机制的实现方法，并讨论了JSYS使用的负载信息获取技术和原始数据的处理方法，实验结果表明JSYS能够有效地为动态负载平衡提供服务。