共查询到18条相似文献,搜索用时 187 毫秒
1.
2.
残差修正法在电力负荷预测中的应用 总被引:1,自引:0,他引:1
影响电力负荷的因素很多,而且这些因素都具有不确定性,即这些信息具有模糊性。因此,为了准确进行负荷预测,最好采用模糊预测来研究和处理电力负荷预测。一般对于电力系统中期负荷预测采用回归分析模型,但其预测结果往往有很大误差。为了提高电力负荷预测技术的水平,作者以其于实数输出值的模糊回归分析及用三角函数拟合残差的方法,提出了预测电力负荷的模糊线性回归-残差修正预测模型。该模型是在模糊线性回归模型的基础上推导出来的,它可以寻找最合适的线性函数使理想线性回归中的线差和达到最小。通过售电量模糊预测的仿真计算验证了所提出的预测模型的正确性和可行性。 相似文献
3.
电压崩溃临近指标能够有效、快速地对电力系统电压安全进行评估。为此, 提出了一种电压崩溃临近指标的小波神经元网络模型。这个模型以非线性小波基为神经元函数, 通过优化伸缩因子和平移因子确定对应各神经元的小波基函数, 从而合成小波神经元网络, 达到全局最优拟和效果。经过训练的小波神经元网络能在线计算电压崩溃临近指标, 并且具有快速、准确等优点。文中对该模型与人工神经元网络模型进行了比较, 结果证明, 利用小波神经元网络模型进行电压崩溃临近指标预测比利用人工神经元网络模型具有更高的拟合精度, 计算速度更快。仿真结果表明, 该方法能有效地对电力系统电压崩溃做出早期预测, 是一种对系统电压安全进行快速、实时评估的有效工具。 相似文献
4.
5.
6.
基于神经网络-模糊推理综合模型的短期负荷预测 总被引:3,自引:0,他引:3
针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况,提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点,通过模糊推理来修正神经网络输出的预测结果,能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网,能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。 相似文献
7.
8.
9.
用向前神经元网络进行短期负荷预测的方法 总被引:1,自引:0,他引:1
构造一个向前神经元网络,并以福建电网历史负荷数据为样本点,用反传学习法对网络进行学习训练,得到一个短期负荷预测的神经元网络,用该网络对未来24小时的负荷进行预测,其预测值的平均百分比误差在2%以内,精度优于传统的负荷预测法。 相似文献
10.
基于人工神经元网络及模型算法的空间负荷预测 总被引:11,自引:3,他引:11
改进了配电网的空间负荷预测方法,将其研究重点 放在对各类负荷的负荷密的预测上,在原始数据不充分的条件下,引入模糊隶属度分析和人工神经元网络中的聚类分析,对负荷进行分类和简化,从而得到环境因素相适应的负荷,预测取得了满意的效果。 相似文献
11.
12.
13.
14.
15.
为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明:该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。 相似文献
16.
为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。 相似文献
17.
18.
基于功率谱分解和实时气象因素的短期负荷预测 总被引:2,自引:2,他引:0
提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。 相似文献