基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意。     

非线性主成分分析和RBF神经网络的 电力系统负荷预测

电力系统负荷预测是电力系统规划与运行的重要内容,为提高负荷预测的精度,针对主成分分析法在涉及到多指标预测体系中降维作用不明显,且考虑不到指标间非线性关系的问题,采用非线性主成分分析法改进RBF神经网络输入量,该方法克服了数据之间相关性的约束,进一步降低了预测指标维数,兼顾了指标间非线性关系,保留了原始数据的足够信息,获得电力系统负荷预测的主成分,显著地减少了径向基函数神经网络的输入量,从而提高了电力系统负荷预测的精度。实例分析验证了该方法的有效性。     

基于主成分分析和正则化神经网络的电力负荷预测方法

为提高用电负荷预测的准确率,提出一种基于主成分分析(PCA)和正则化人工神经网络负荷预测方法.通过分析多个影响负荷变化的变量和因子,利用主成分分析法对变量进行线性降维,减少各变量之间的关联性,用得到的主成分作为BP神经网络的输入变量,同时增加正则化约束项优化神经网络训练过程,提高网络模型泛化能力.最后利用某售电公司所代...     

基于PCA和RBF神经网络的中长期负荷预测方法

针对电力系统负荷预测问题,利用径向基函数(RBF)神经网络补全历史负荷数据,然后在主成分分析(Principal Component Analysis,PCA)和RBF神经网络原理的基础上,结合PCA和RBF神经网络方法进行负荷预测。实例表明该方法能有效降低输入变量的维数,且具有较高的精度。     

基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于主成分分析合作博弈的电网负荷智能预测方法研究

针对传统预测方法存在预测不准确、误差大的问题,提出一种基于主成分分析合作博弈的电网负荷智能预测方法。基于多分辨分析理论构建电网负荷预测参数模型,通过IGOA优化LSSVM的惩罚因子C和核函数参数δ2,得到更优的电网负荷参数;引入主成分分析合作博弈方法进行电网负荷智能预测。实验显示,采用该方法对数据进行拟合的图像更接近真实图像曲线,说明预测精度高,且误差较小,具有一定的优越性。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

基于主成分分析法和自适应神经模糊推理系统的电力负荷预测

提出了一种基于主成分分析法与自适应神经模糊推理相结合的电力系统负荷预测方法，通过对影响电力负荷的相关因素进行主成分分析，减少自适应神经模糊推理系统的输入量，可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。     

基于主成分分析与前向反馈传播神经网络的风电场输出功率预测

为了解决单一的传统预测方法在风电场输出功率预测中存在的问题,提出了基于主成分前向反馈神经网络的预测方法。首先采用K-S方法对样本进行选取;然后用主成分分析法提取样本有效信息,求解出主成分,构建神经网络模型进行输出功率预测。结果表明,主成分分析后的神经网络模型消除了输入因子的相关性并简化了网络结构,使网络加速收敛。实例验证,与单一的神经网络模型相比,预测精度有所提高,为风电场输出功率预测提供了一种有效的方法。     

基于灰色神经网络法的高峰负荷预测

针对多个相关序列预测的问题,提出了灰色神经网络模型。考虑各序列数据之间的关系及各序列之间的关系,能一次得到多个预测值。利用神经网络对预测值进行校正,得到最终的预测值。实例表明,此种模型具有预测精度高、所需样本少、计算简便等优点,取得了满意的结果。     

基于小波网络的短期负荷预测方法

提出一种基于小波网络的短期负荷预测模型，小波网络结合了小波变换良好的时频局域性质和神经网络的自学习能力，因此具有比神经网络更灵活的函数逼近能力，同时有效地改善了神经网络难于合理确定网络结构、存在局部最优等缺陷，算例表明，这种模型是快速准确的。     

基于改进型BP神经网络的短期电力负荷预测

科学、准确的短期电力负荷预测有利于提高电力系统运行的经济性和安全性,向用户提供高质量的电力。提出一种基于改进型BP神经网络的短期负荷预测方法,并充分考虑建模时复杂气候敏感因素的影响,对输入校本的选取、预测模型的建立进行了论述。算例表明所提出方法具有较高的预测精度,负荷预测结果的相对误差小于3.63%。     

基于主成分分析和遗传优化BP神经网络的光伏输出功率短期预测

针对光伏系统输出功率的波动性和间歇性特点,提出一种基于主成分分析(PCA)和遗传算法(GA)优化的BP神经网络功率短期预测方法。通过历史功率数据和实时气象因素对输出功率进行直接预测,利用主成分分析法将多个原始变量降维成少数彼此独立的变量,作为神经网络的输入。同时利用遗传算法的全局搜索特性在解空间中定位一个较好的空间,优化BP的初始权值阈值,克服了传统BP神经网络易陷入局部极小点、学习收敛速度慢的问题。通过建立不同预测模型进行对比,验证了所提算法和模型的有效性。     

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型.根据该模型建立相应的RBF神经网络进行预测.并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值.     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型。根据该模型建立相应的RBF神经网络进行预测。并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值。     

基于XGBoost的配电网线路峰值负荷预测方法

为实现电网平稳迎峰度夏,需要在夏季负荷高峰前提前1～2个月对配电网线路进行峰值负荷预测,为设备部门有计划地制订和实施增容和改扩建方案提供数据支撑.提出一种基于XGBoost的配电网线路峰值负荷预测方法.该方法综合考虑气象因素、时间因素、春季基础负荷因素,分析各类因素与夏季负荷高峰的相关性,确定预测样本特征值.通过K-m...