基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

含高渗透率分布式电源的节点负荷预测方法

随着配电网中分布式电源比例的提高,其对节点负荷预测的影响变大,传统的负荷预测方法已难以满足预测精度要求。因此,针对高渗透率分布式电源的负荷预测问题,提出了一种基于小波神经网络和Elman神经网络的负荷预测方法。该方法具有较强的学习能力,避免了结构设计上的盲目性,具有结构简单、收敛速度快、精度高等特点。建立考虑天气类型指数的短期负荷预测模型,并应用小波神经网络和Elman神经网络相结合的预测模型进行训练,将训练结果与实际发电负荷进行对比可知,该模型有较强的预测能力,可预测光伏实际出力情况。根据各节点的实际用电负荷及由接入的分布式光伏所提供的用电负荷,可得出具有高渗透率分布式电源的节点预测负荷。最后,以实际地区的光伏发电数据和负荷数据算例验证了该方法的有效性。     

一种高压开关柜温度预测的改进方法

对一种Elman神经网络进行高压开关柜温度预测的方法进行改进,融合小波包分析的方法对温度样本进行硬阈值平滑优化,与Elman神经网络松耦合组成松散型小波神经网络进行超短期温度预测。仿真结果表明,改进方法相比单一的Elman神经网络有效预测比率提高,均方根误差下降,其结果与实测温度值更加吻合,提高了预测的准确率和精确程度。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于Elman神经网络的PM_(2.5)质量浓度区间预测

针对PM_(2. 5)质量浓度序列不确定性和随机性特征,提出一种基于互补集合经验模态分解和优化Elman神经网络的区间预测模型.首先,利用互补集合经验模态分解将原始PM_(2. 5)质量浓度序列进行分解,并用样本熵将其重组为复杂度差异明显的子序列.其次,针对各子序列分别用多输入单输出Elman神经网络(Elman neural network,ENN)建立PM_(2. 5)质量浓度预测模型.在各子序列预测结果基础之上,采用多输入双输出Elman神经网络实现PM_(2. 5)质量浓度区间预测.最后,为了进一步提高预测模型性能,提出一种区间预测评价指标作为目标函数,采用思维进化算法对Elman神经网络权值β和阈值b进行寻优.基于北京工业大学校园监测站点采集数据,验证了预测模型的可靠性和有效性.所提预测模型为PM_(2. 5)质量浓度预测提供了一种方法.     

计及尖峰电价机制的短期负荷预测研究

针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于小波和神经网络模型的邮电业务总量预测

引入极大重叠离散小波变换的概念,利用极大重叠离散小波变换的多分辨分析特性,对邮电业务总量序列进行分解.然后对分离得到的光滑项和细节项两部分利用小波神经网络模型进行建模和预测,最后再重构得到邮电业务总量序列的预测值.数据测试结果表明:本文方法可实现多步预测,且对邮电业务总量的预测精度比单纯的用小波神经网络模型或BP神经网络模型高.     

基于信息熵加权的Elman神经网络状态趋势预测

为克服预测神经网络输入值对网络输出预测值贡献程度基本等同的缺陷,提出一种信息熵加权的神经网络智能预测方法。提出信息熵权值的计算方法和延时重构的加权前处理方法,并以Elman神经网络为基础,构建基于信息熵加权Elman神经网络的预测模型。烟气轮机状态趋势预测实例表明,基于信息熵加权Elman神经网络预测方法的预测效果较好,为状态趋势预测提供了一种新方法。     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

Elman神经网络在ECT系统流型辨识中的应用

针对电容层析成像系统ECT(electrical capacitance tomography)流型辨识问题,在对ECT系统工作原理和流型的辨识方法分析的基础上,提出了一种基于Elman神经网络的ECT系统流型辨识方法,该方法通过对ECT系统采集的电容值特征值提取与处理,将提取的特征值作为Elman神经网络的输入进行训练,经训练后达到流型辨识的目的.经仿真实验验证,与传统的BP神经网络相比,该方法具有结构简单,收敛速度快,不会因阶次未知而出现网络结构膨胀的问题,为ECT系统流型辨识的提供一种的有效方法.     

混凝土中钢筋直径雷达检测的神经网络方法

介绍了神经网络的基本理论,提出了一种利用神经网络处理探地雷达信号对钢筋混凝土中钢筋直径进行测算的新方法;采用BP和Elman两种神经网络模型,并利用小波包分析提取了雷达波的特征参数;针对神经网络应用时实际训练数据不足的问题,提出利用多项式拟合的方法来补充训练数据。试验结果表明：该方法对钢筋直径的测算结果是令人满意的。     

基于小波分析的交通参数组合预测方法

为了更加准确地预测交通参数的变化趋势,结合小波理论处理时变信息的优势,设计了一种在小波分析的基础上利用BP神经网络进行预测的组合预测方法。该方法采用小波理论与神经网络结合的策略,具有普适性,且比传统的基于小波分析的组合预测过程简单,为大运算量的实时应用提供了可能。利用实际数据对该方法进行了验证,并与对比算法进行了效果对比。结果表明,本文提出的方法预测效果较好,具有一定的实用性。     

基于神经网络预测节能中央空调控制策略

由于传统中央空调具有大滞后、大惯性、非线性特性,造成常规控制方法下系统供给的能量与负载所需能量不匹配,使得中央空调与使用环境能量供求不平衡,浪费了大量的电能.针对中央空调的控制特性,提出了一种基于神经网络技术的预测控制方法,将Elman神经网络预测器和神经网络控制器有机结合,通过预测未来能量需求,实时调节控制策略,使系统所需能量和空调输出能量达到匹配.采用Elman神经网络预测器和神经网络控制器有机结合的控制方法,使系统具有良好的动态性能和稳态性能,节能效果显著.采用神经网络预测型节能中央空调,可有效控制中央空调与使用环境能量供求的关系,为降低智能建筑能耗提供了可靠的保障.