基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

基于波浪理论和聚类小波包的股价波动预测

将波浪理论应用于价格、成交量特征样本序列选取,提出基于小波包能量值聚类特征提取与遗传神经网络相结合的股价预测模型．该模型采用小波包系数单支重构能量值空间分布表征价格波动本质,对能量点进行聚类以降低特征向量维数,将遗传算法与BP网络优势互补用于股价预测．对沪市股票上海汽车(600104)等进行的实证研究结果表明,该模型具有收敛速度快和预测精确度高的特点．     

多层前馈神经网络在电力系统短期负荷预测中的应用

介绍了多层前馈神经网络在电力系统短期负荷预测中的应用，并对这些方法做了评价．在此基础上，对人工神经网络技术在短期负荷预测中的应用进行了展望．     

基于BP特征筛选的模糊聚类手写体数字识别

运用BP神经网络对无约束手写体数字的识别过程中的数字样本进行筛选,将筛选的结果纳入聚类源,再通过构造模糊关系矩阵,进行模糊聚类。实验证明,该方法具有很高的抗干扰性能,克服了传统算法单因子识别的局限性,识别率和准确率都有很大提高。     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络（BP）的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

基于多层BP神经网络的财务风险预警模型构建

首先筛选引发财务危机相关因素,建立财务风险预警指标体系.分析BP神经网络的隐含层数及结点数对网络分类能力的影响,构建基于多层BP神经网络的财务风险预警模型.进行了M atlab仿真实验,以验证所建模型的可行性、有效性及合理性.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

基于神经网络的燃气小时负荷预测

燃气小时负荷预测对于保证管网的用气量以及管网的运行调度和优化配置具有重要作用。通过对小时负荷特性及其影响因素的分析,采用三层BP前馈神经网络,利用VC 6.0++编制的运算程序对燃气小时负荷进行预测。预测结果表明:该模型具有较好的精度,可以满足负荷预测的需要,具有较好的应用前景。     

基于多尺度卷积神经网络的短期电力负荷预测

In order to improve the accuracy of short-term load forecasting of power system, a multi-scale information fusion convolutional neural network(MS-ConvNet)model based on deep learning technology was proposed. A full convolution network structure and causal logic constraints were introduced to enhance the expression of time series features; a multi-scale convolution was utilized to extract the relationship among time domain data of different lengths for obtaining more abundant series features; a residual network structure was designed to increase the network depth, which increased the acceptance domain of outputneurons and enhanced the prediction accuracy. The results show that the accuracy and stability of MS-ConvNet model is better than those of multi-layer perceptron machine, long-short term memory network and gated recurrent unit network, indicating that the as-proposed model has a good application prospect in power load forecasting.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型

当前多数冰蓄冷空调冷负荷动态预测方法中,由于模型输入变量与输出结果相关性差、信息冗余度高等原因,导致多数预测模型在预测精度和收敛速度方面都未达到理想的预测效果,因此,提出一种改进的PSO-BP神经网络算法预测大型公共建筑的冷负荷。对于输入变量与输出结果采用灰色关联度分析,消除样本输入变量对数的耦合性,确定影响冰蓄冷空调系统冷负荷的关键性因素,将其作为输入变量,预测冰蓄冷空调系统动态冷负荷。结果表明：T时刻室外空气温度、T-1 h时刻室外空气温度、T时刻室外空气湿度、T时刻太阳辐射强度、T-1 h时刻太阳辐射强度、T-1 h时刻空调冷负荷是影响T时刻冰蓄冷空调系统冷负荷的关键因素,并以此作为预测模型的输入变量。相对于传统PSO-BP神经网络全输入变量预测算法,该模型预测结果精确度更高、收敛速度更快。     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于智能家电的短期电力负荷预测与削峰填谷优化

通过可远程控制的联网智能家电,提出对城市群电力负荷的短期预测与削峰填谷优化. 分析某家电企业的智能家电集群运行产生的海量数据,建立城市群智能家电电力负荷预测模型,主要采用3种模型加权组合预测的方式,利用负荷数据中的趋势性、周期性、相关性、节假日特征及外部变量进行智能家电集群电力负荷的短期预测,单月内每日平均相对误差为4%~6%. 通过合理选择特征,该模型可以在不同家电间通用,依据家电类型分类预测后的结果可加和成为用电总负荷. 针对使用方式与用户习惯,提出智能家电电力负荷削峰填谷的控制策略,根据发电成本数据给出预期效益,说明基于智能家电负荷预测的用电调控能够有效降低电力部门发电成本、用户用电成本与电网负荷波动性.     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGAWNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.