基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.     

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.     

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.     

基于级联网络的短期电力负荷预测研究

电力系统负荷预测通过对历史数据分析,预测未来需求,利用经典的Kohonen网络、Elman神经网络和粒子群优化算法建立级联网络预测模型,为了对电力系统短期精确预测,提出了处理非线性问题和解决负荷预测问题.对级联网络预测模型不但能够综合各种单一预测模型的优点,而且能够随时间的推移使结构不断变化,可以减少负荷预测的工作量.用三种神经网络模型进行短期电力负荷预测的仿真结果比较,验证了级联网络预测算法的有效性和良好的应用前景.     

基于神经网络的负荷预测仿真研究

提高电力负荷预测精度有利于电力部门的安全生产,有利于合理安排电网运行方式和机组的检修计划,有利于系统的合理规划和经济运行。为了提高短期负荷预测的精度,把自相关函数的概念应用到反向传播(Back Propogation,BP)神经网络输入变量选择中,通过MATLAB仿真软件建立负荷预测模型。最后对某电力系统1d的负荷进行预测,仿真结果验证了该模型的可行性和有效性。     

一种基于分形的短期电力负荷预测

介绍非线性理论中一个活跃分支——分形,针对短期电力负荷变化的非线性和复杂性,运用分形理论提取电力负荷变化的内在变化规律。在G—P算法的基础上用最小二乘法从时间序列中计算出关联维,运用分形和非线性动力学相关理论建立预测模型,并进行实际预测,取得了较好的预测结果。     

基于BP神经网络电力负荷短期预测研究

电力负荷预测是电力系统一项重要的工作。本文应用了BP神经网络对南方某地区短期电力负荷进行了预测。首先介绍了BP神经网络结构,其次是利用BP神经网络结合南方某地区电力负荷数据进行实证研究,并且在设计BP神经网络结构时考虑了气象因素对负荷的影响。     

混合属性约简方法在电力负荷预测中的应用

影响电力短期负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,提出了一种基于粗糙集理论的混合属性约简算法,并对与预测日相似性数据进行快速约简,讨论了基于混合属性约简和BP神经网络相结合的预测模型。实验结果表明,这种方法提高了短期电力负荷预测精度。     

基于强化学习的网络流量非线性多步预测方法

网络流量具有分形特性,用线性方法来预测非线性的网络流量,预测精度不高.为了提高测性能,提出了网络流量的非线性多步预测同题,利用一种结合分形神经网络、强化学习的非线性多步预测方法,用多重分形性质将网络流量序列分解为短相关序列,设计了一种强化学习神经网络(MRLA)流量预测模型,利用强化学习的Q算法训练BP神经网络,预测尺度系数、计算权值,最后构建MRLA网络进行仿真,预测网络流量.实验分析显示,相对MMLP网络,新预测方法具较好的多步预测性能.     

几种分形图形生成算法的研究和比较

主要介绍了分形的基础理论和生成分形图形的三种典型方法，以及它们之间的比较，生成了很多色彩图像，最后作了总结并指出了分形的发展趋势。     

地形地貌的分形构造方法

介绍了分形的概念,并给出了利用分形“自相似”的寺形地貌具体方法。     

一种改进的分形优化算法

分形算法是一种全局优化算法,通过对可行域的嵌套分割来完成搜寻过程,由于其深度优先的搜索策略,开始容易陷入局部最优,收敛速度慢。针对原算法的缺点,提出一种改进的分形优化算法。该算法模拟分形生长的过程,避免了对可行域的盲目分割,并指导新点以较大的概率产生于较优的区域。通过数值试验来验证该算法的有效性,结果表明该算法具有良好的收敛性。     

基于三维盒维数算法的城市分维计算

通过将传统的二维盒维数算法扩展到三维空间,提出了一个基于三维空间的盒维数计算方法。分别利用三维盒维数算法和二维盒维数算法计算城市的分维,通过对计算结果进行比较分析,观察到城市空间结构在第三维同样具有分形特征,证明传统城市分维计算中采用基于二维空间的分维算法或者简单地利用二维分维加1的方法表示三维分维都是不准确的,并进而给出正确的城市分维计算方法。     

计算机辅助设计的“分形”艺术语言

随着人们对分形的认识程度的加深,分形思想已经成为人们认识世界的一种方法和手段,这种思想同时也以一种设计语言的方式体现在分形艺术之中,本文研究了用分形语言来进行艺术图形创作的优势及分形在现代艺术中的应用。     

有理复映射（m—1）z^m—c＼mz^m—1J集及其自相似外环分维估计

本文利用复系数多项式构造了牛顿变换有理映射ｆ（ｚ）＝（（ｍ－１）ｚ＾ｍ－ｃ）／（ｍｚ＾ｍ－１）。并构造了ｆ的充满的Ｊｕｌｉａ分形图。由充满的Ｊｕｌｉａ分形图的吸引域边界叠加构造Ｊｕｌｉａ集。用作者提出的同胚分形插值算法估计牛顿变换Ｊｕｌｉａ分形图的自相似花朵链外环分维。     

Generalized Product of Iteration Function System

The definition of generalized product of fractal is first put forward for the research on the relations between original fractal and its product of fractal when the transformations of iteration function system (IFS) are incomplete. Then the representations of generalized product of IFS are discussed based on the theory of the product of fractal. Furthermore, the dimensional relations between the product of fractal and its semi-product are obtained. The dimensional relations of self-similar set are discussed. Finally, the examples for rendering fractal graphs are given. These results posses potentials in image compression and pattern recognition.     

基于像素采样的分形图像编码算法

分形图像编码是一种基于自然图像局部自相似性的有效压缩算法技术．但是,基本的分形编码算法是耗时的,由于在基本编码算法中值域块要在庞大的定义域块库中搜索最佳的匹配块．为了减少编码时间,该文提出了基于像素采样的分形编码方案．该方案既不需要复杂的理论分析,也不需要改变现有的分形编码、解码过程,因此能够以直接的方式引进其他的块速的编码算法．计算机仿真显示,在PSNR降低的情况下,编码的匹配搜索时间大幅度减少,同时解码图像的主观质量并没有很大程度上明显降低．     

A Method Determining Vertical Scaling Parameters of Fractal Interpolation

A method determining vertical scaling parameters of fractal interpolation is given in this paper. By computer experiments, it is clear that this method is very effective.