基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

风电场输出功率预测中两种神经网络算法的研究

神经网络是风电功率预测系统中应用最广泛的方法,而其训练算法是影响预测精度的重要因素之一。探讨了采用聚类法和正交最小二乘算法两种训练方法。以中国北方某风电场的实际数据以及数值天气预报数据为依据,对RBF聚类法和正交最小二乘算法进行了验证,最终研究并比较RBF不同预测情况与BP的差异。结果表明:对于提前24h的风电功率预测,RBF神经网络模型预测精度要好于BP神经网络模型,尤其以正交最小二乘算法为训练方法建立的RBF模型,预测精度较高,能够很好拟合实际功率曲线。     

超高压输电线可听噪声预测方法研究

为了研究输电线的可听噪声,本文建立了灰色理论、径向基函数(RBF)神经网络、灰色RBF神经网络和小波神经网络四种预测模型,并分析了每种方法的特点。每种预测模型都考虑了影响输电线路可听噪声的环境、地理位置、导线、线路结构参数等14个因素。结合实例,利用各种方法对输电线可听噪声进行了预测。利用灰色理论进行预测时,首先通过灰色关联分析计算了每个因素的关联度,然后选择灰关联度大于0.8404的6个因素建立了GM(1,7)预测模型。通过计算分析,灰色预测的结果最差,嵌入型灰色RBF神经网络和小波神经网络的预测精度较高,其平均相对误差分别为2.222%和2.853%,因此它们可以用来预测输电线的可听噪声。组合预测方法的预测精度比单一预测方法的精度好,并且组合的方法可以提高预测的稳定性。     

自我调节蚁群-RBF神经网络模型在短期径流预测中的应用

为提高短期径流预测精度,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑气象、天气、季节、降雨等影响因素,对上马水库进行径流预测.仿真表明,该方法克服了RBF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RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了短期径流预测的精度,预测相对误差小于3%.可有效用于短期径流预测.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于RBF的社会消费品总额的预测

利用非线性回归、BP、RBF神经网络自适应学习法模型,对社会消费品总额进行了预测和研究,结果表明用RBF网络自适应学习法所建立的模型经过训练后,可得到较精确的预测结果,并具有较强的应用性。     

基于DGM和TDNN的火电行业NOx排放量变权组合预测

从区域火电行业NOx排放量预测问题的离散灰色、非线性和动态性等特征出发,建立了基于离散灰色预测模型(discrete grey model,DGM)和时延神经网络(time-delayed neural network,TDNN)模型的变权组合预测模型.其中,时延神经网络模型与传统静态神经网络(如BP、RBF神经网络)相比较,更能反映系统的动态特征,有利于提高预测的准确性;在组合变权系数确定上,采用了等维递补多项式拟合方法,提高组合预测的拟合精度.最后,以国家权威部门公布的1994-2009年火电行业相关历史数据为基础,对未来7年我国火电行业NOx排放量进行预测研究和分析.结果表明:从预测平均相对误差来看,变权组合预测为0.846％,而TDNN为1.296％,离散灰色预测则为3.472％,变权组合预测模型的预测精度明显高于单项预测模型;从预测结果趋势走向来看,组合预测结果与实际趋势最接近,较单项预测有更高的吻合度,预测结果准确可靠.     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。     

基于小波去噪的BP神经网络短期风功率预测方法设计

为了减小电网波动,提高电网调度的安全性、稳定性,风功率预测的研究尤其重要。运用基于小波去噪的BP神经网络算法进行风功率预测,通过建立预测模型对历史数据进行训练、仿真调试,找到最优组合方式。与传统的BP神经网络预测对比,基于小波去噪的BP神经网络算法明显提高了预测精度。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于深度神经网络和内外部因素的大电网安全态势感知研究

随着电网结构的日益复杂,运行调度变得更加困难,大停电事故发生的风险也日益增加,因此能够及时有效地对大电网的安全态势进行感知显得尤为重要。在态势要素提取阶段,从内部因素与外部因素两个方面出发,构建大电网安全态势评价体系,其中外部因素通过统计分析1981年~2015年全国电网的大停电事故得出;在态势理解阶段,通过层次分析法与改进的熵权法获得各指标的综合权重,加权平均得到大电网的安全态势评估值,实现对大电网安全态势的综合评价;在态势预测阶段,构建深度神经网络模型,完成对大电网安全态势的预测。为进一步验证预测模型的有效性,将其与BP神经网络和RBF神经网络对比分析,验证了深度神经网络模型可以有效地对大电网的安全态势进行预测,且预测精度高于传统的神经网络模型。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。