数据挖掘在电力系统负荷预测中的应用

电力系统负荷预测是电力部门日常重要工作,传统的预测方法有很多缺点,并不能真实地反映负荷变化规律。数据挖掘技术具有强大的数据处理能力,可以从海量数据中发现有价值的规律。通过对电力系统实际负荷特性的分析,利用数据挖掘算法,建立合理准确的数学模型,最终得出精确的预测结果。     

数据挖掘及其在电力负荷预测中的应用

电力负荷预测作为电力生产部门的重要工作之一,是根据电力负荷历史数据和其他各类相关影响因素进行预测的,因此,其预测精确度很大程度上取决于历史数据的准确程度.数据挖掘为分析各种海最的、复杂的、含有噪声的数据提供了新的方法.针对电力系统的基本特征,提出一种基于最优区间分割和单调递减阈值函数的聚类方法,然后应用Kohonen网提取相关负荷的特征曲线,并将其用于不良数据的校正.通过对电力负荷的仿真分析验证了该算法的有效性.     

数据挖掘在电力负荷预测中的应用

本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析。构架了一种基于CURE聚类算法的电力负荷预测模型,对短期电力负荷数据进行有效的预测。并通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性,不完整性及影响因素复杂性对预测结果的影响,发挥独特优势、实现经济价值。     

基于数据挖掘的PSO-BP短期电力负荷预测

针对海量用电数据环境下,如何提高电力负荷预测精度的问题,采用数据挖掘对电力负荷历史数据进行聚类分析以及异常检测,并利用灰色序列对异常数据进行修正。利用蚁群算法对粒子群优化-反向传播(PSO-BP)算法进行优化,以提高算法的预测精度。通过对历史负荷数据进行试验,验证该方法的预测平均误差为3.16%,低于无数据挖掘的PSO-BP算法模型以及PSO-BP算法模型的预测误差。该方法具有一定的实用性以及有效性。     

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.     

混合模型神经网络在短期负荷预测中的应用

提出了可应用于电力系统负荷预测的混合模型神经网络方法,该方法同时具有电力系统负荷预测的传统方法的优点及人工视网络方法的优点,该方法中,不同的负荷分量采用不同类型的预测方法,并采用基本绵谐振分量作神经网络的输入,神经网络的训练采用快速的学习算法进行,该方法具有很强的实时性和适应性,适用于没有气象资料的应用场合,仿真计算的结果表明,预测精度较传统来得高。     

递归神经网络及其在电力短期负荷预测中的应用

本文用递归神经网络逼近非线性ＡＲＭＡ模型预测电力短期负荷。与传统方法以及前馈神经网格方法比较，递归神经网络由于其能自学习逼近非线性ＡＲＭＡ模型而具有较高的预测精度，预测方法也比较简单。这在我国电力供应紧张的情况下，对提高我国的电力负荷预测水平，合理安排电力生产计划具有一定的现实意义。     

模糊神经网络在电力短期负荷预测中的应用

提出用于电力短期负荷预测(SILF)的一种模糊神经网络(FNN)方法，该方法针对BP网络收敛速度慢、易导致局部极小值的缺点，将考虑气候、温度、星期类型等影响因素的模糊技术与快速二阶BP网络相结合，并以南方电网负荷预测为例，应用MATLAB蚀语言对系统进行仿真训练，测试结果表明，该方法具有较高的预测精度。     

离群数据挖掘方法在电力负荷预测中的应用

根据负荷预测的理论,通过历史数据为基础进行电力负荷数据预测。由于实际运行过程中,采集数据存在错误,使得获得到的负荷预测曲线包含较大的锯齿状。提出一种新的离群数据挖掘方法,即求二直线的夹角方法寻找尖锐点,离群数据为尖锐点处对应电力负荷有功值,然后使用曲线平滑的方法对这些离群数据进行了处理。实验证明,运用提出的这一新的离群数据挖掘方法处理负荷预测曲线,预测结果明显改进。     

神经网络在电力负荷预测中的应用

在短期负荷预测过程中,引起负荷变动的因素与负荷之间的非线性映射关系是造成预测结果与实际结果之间存在偏差的原因之一。神经网络具有很强的非线性映射能力和自学习能力。为提高短期负荷预测的精度,基于神经网络的研究方法,设计了预测网络。该网络以洋山深水港东港路10 kV开关站中沈家湾的日负荷数据为样本,对采集电量进行了预处理;然后对其隐层个数及节点个数进行了分析设计;最后对短期日负荷进行预测。对比结果表明,预测值与实际值吻合较好。     

基于数据挖掘的电网高峰负荷预测系统

分析电网高峰负荷运行规律,以数据挖掘为核心技术,搭建数据仓库平台,在此基础上给出一种混合策略的神经网络的高峰负简预测系统,该系统将模糊聚类、L-M神经网络等综合技术融合一体,可以从海量负荷数据中挖掘出有用知识为电网高峰负荷预测服务。     

基于神经网络的数据挖掘研究

尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势。该文对基于神经网络的数据挖掘进行了详细的研究。     

基于神经网络的数据挖掘研究

神经网络方法是数据挖掘中的一项重要技术.本文对基于神经网络的数据挖掘方法进行了详细的研究,包括神经网络的基本理论、数据挖掘的工作流程、该方法的优缺点以及实现的关键技术.     

BP神经网络在预测制造业安全库存中的应用

运用BP神经网络良好的非线性品质,通过对影响制造业安全库存因素的分析,建立相应的BP神经网络预测模型,并用实际安全库存量对网络进行训练,以达到对安全库存量的精确预测,减小企业存储成本,提高经济效益。     

基于WSN的数据挖掘技术在海洋预测中的应用

论文旨在提出一种理想的海洋趋势预测方法.为此,提出了一种基于无线传感器网络和计算机技术的海洋水文精确监测方案.然后,利用支持向量回归算法对传感器网络采集的数据进行处理.为了获得最优的算法参数,引入粒子群算法,通过粒子间的相互竞争来寻找全局最优解.在此基础上,根据纽约港的水文情况,建立了海洋水文数据采集与观测系统.然后,...     

数据发掘技术在一类电力负荷预测中的应用

介绍了数据发掘中的关联规则在一类电力负荷预测中的应用,对时序数据库向关系型数据库的转化问题做了一定的探讨并且实现了该文所讨论的问题中的转化。文章所提出的预测方法在应用中取得了较高的预测精度。     

Static, Dynamic, and Hybrid Neural Networks in Forecasting Inflation

The back-propagation neural network (BPN) model has been the most popular form of artificial neural network model used for forecasting, particularly in economics and finance. It is a static (feed-forward) model which has a learning process in both hidden and output layers. In this paper we compare the performance of the BPN model with that of two other neural network models, viz., the radial basis function network (RBFN) model and the recurrent neural network (RNN) model, in the context of forecasting inflation. The RBFN model is a hybrid model with a learning process that is much faster than the BPN model and that is able to generate almost the same results as the BPN model. The RNN model is a dynamic model which allows feedback from other layers to the input layer, enabling it to capture the dynamic behavior of the series. The results of the ANN models are also compared with those of the econometric time series models.     

数据挖掘在人工神经网的应用

介绍了一个基于数据挖掘的人工智能神经网的应用 ,给出了利用神经网络方法及神经网络模型来计算诊断实际症状结果。探讨了基于人工 Application的数据挖掘方法在故障诊断建模领域的应用 ,其他的数据挖掘方法及其结合有待进一步研究