考虑气象因素的PCA-BP神经网络短期负荷预测

为有效提高电力系统短期负荷预测精度及效率,提出一种基于主成分分析的BP神经网络短期负荷预测优化算法。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输入,并根据各主成分的贡献率来确定网络的结构,有效解决BP网络预测精度与效率不高问题。在考虑气象因素的影响下通过对某地区历史负荷数据进行训练仿真,平均预测精度接近98%,预测程序运行效率提高两倍以上,仿真结果表明,该模型在效率和预测精度方面优于BP神经网络模型。     

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...     

基于主成分分析的最小二乘支持向量机短期负荷预测模型

提出了一种基于主成分分析(PCA)的最小二乘支持向量机(LS-SVM)短期负荷预测模型,模型中引入多元统计分析中的主戍分分析理论来解决输入变量的选择问题。该模型首先对样本的高维变量数据矩阵进行标准化处理,建立相关矩阵,计算特征值和特征向量,然后求取累计方差贡献率,并据此求取主成分作为最小二乘支持向量机的输入进行训练预测。主成分以较少的维数包含了原高维变量所携带的大部分信息,全面地考虑了影响负荷预测的各种因素,又避免了过多的输入导致的精度低、训练慢的不足。实例表明,所提方法可有效地消除众多影响因素间的相关性,减少输入变量个数,提高预测效率和精度。     

基于主成分分析与人工神经网络的风电功率预测

提出了主成分分析与前馈神经网络相结合的风电功率预测模型.采用主成分分析法对原始多维输入变量进行预处理,选择输入变量的主成分作为神经网络的输入,既减少了输入变量的维数,又消除了各输入变量的相关性,从而简化了网络的结构,提高了网络收敛性和稳定性.仿真结果表明,相对于一般神经网络模型,基于主成分分析的神经网络模型预测精度更高...     

基于PCA-WNN的短期风电预测

为了提高风机输出功率的预测精度,提出了一种基于主成分分析(PCA)、结合小波神经网络(WNN)的短期风电预测方法,通过利用主成分分析(PCA)对初始数据进行降维处理,然后结合小波神经网络进行训练,得到了PCA-WNN预测模型。该方法设计出的模型具有优秀的预测效果,且根据实际数据测试的结果表明,相比于传统BP模型和WNN模型,PCA-WNN模型的预测精度更高。     

基于主成分分析与神经网络复合模型的汽轮机排汽焓计算

以某300 MW汽轮机为例,建立了基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型。首先分析了主成分分析和人工神经网络计算原理,然后采集了影响汽轮机排汽焓的各个主要参数的历史数据,并对采集到的数据进行了数据预处理,对剔除坏点后的历史数据做主成分分析,得到了累计贡献值大于99.95%的4个主要成分,并以这4个主要成分作为BP神经网络的输入变量,汽轮机排汽焓作为输出变量,建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型,通过对模型的训练和验证,得到了汽轮机排汽焓计算模型,便于在线监测中进行实时调用。研究结果表明：主成分分析能够确定合理的BP神经网络输入变量个数,提高训练精度和训练速度;主成分分析与神经网络复合模型对排汽焓的计算精度符合工程要求;排汽焓在各个负荷工况下波动不大。     

电力日负荷数据主成分分析与计算

为实现电力的准确性负荷预测,保证电力系统安全性和经济性,避免短期负荷精度存在误差,提出一种主成分分析方法。结合多元统计的主成分分析,依据主成分的实际贡献率,做好线性无关输入变量的提取工作,进而将变量维数逐渐压缩。结合递推合成BP网络实现数据预测,在电力短期负荷预测过程中,会将模型预测精度提高。电力日负荷数据主成分分析和计算仿真结果表明,这一简化模型在日负荷数据预测过程中速度较快,同时也有着较高的预测精度。     

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.     

一种新的电压偏差预测方法

针对电压偏差预测难度大的问题,文中提出一种新的电压偏差预测方法。该方法包括主成分分析法(principal component analysis,PCA)降维、亲和力传播(affinity propagation,AP)聚类、反向传播(back propagation,BP)神经网络预测3步。通过PCA对数据进行降维,获得数据主成分;为了弥补传统聚类方法的不足,提高聚类效果,文中引入AP聚类提取与待预测点同类的历史数据;最后选择BP神经网络建立电压偏差预测模型。将文中方法应用于实际电压偏差数据,结果表明该方法预测结果平均相对误差为3.06%,优于传统BP神经网络预测模型以及BP神经网络结合PCA降维的预测模型。     

基于PCA-BP神经网络的大型公共建筑能耗预测

针对大型公共建筑高能耗问题,提出了主成分分析(PCA)与BP神经网络相结合的大型公共建筑能耗预测模型。基于时间序列对历史逐日耗电量进行相关性分析,提取预测点前三天的逐日耗电量,并与前一天日照、温度、相对湿度、风速的平均值进行主成分的浓缩,然后将其作为BP神经网络的输入,从而降低输入变量的维数,简化网络结构。结果表明,较传统的BP网络,大型公共建筑能耗预测模型具有较高的精度和更短的学习时间,但当预测样品数增加时预测误差逐渐增大。     

神经网络短期负荷预测的输入变量选择研究

短期负荷预测中输入变量的选择直接关系到神经网络的预测性能。本文将自相关函数的概念应用于神经网络短期负荷预测中的输入变量集选择,对输入变量集的选择提出了一种比较科学系统的方法。通过采用FFT来实现对自相关函数的快速计算,增加了该方法的可操作性,并通过具体的实例验证了该方法的有效性。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

基于回归分析与神经网络的短期负荷预测

针对电力系统短期负荷预测中神经网络输入变量选择与网络训练问题,提出了一种基于回归分析与神经网络相结合的短期负荷预测方法,利用回归分析选择神经网络的输入变量,利用遗传算法训练神经网络.实例研究结果表明该方法可以取得较高的预测精度.     

一种粗糙广义回归神经网络在集中供热负荷预测中的应用

为了减少预测模型的输入量,本文利用粗糙集理论智能数据分析的能力,对神经网络进行预处理,抽取关键成分作为神经网络的输入,从而确定粗糙神经网络的拓扑结构,设计了供热负荷预测的粗糙广义回归神经网络模型,并用实际数据进行了仿真检验。实验结果表明,该方法是有效的,而且对供热负荷预测具有较高的精度和可靠性。     

基于神经网络的短期负荷预测与误差纠正算法

提出一种基于模糊神经网络的电力短期负荷预测方法,并对其运行特点进行分析。提出通过改进数据样本从而改善模糊神经网络的方法,可以预测在一些不确定性条件发生剧变的情况下发生突变的负荷。还提出了一个关于误差整合的观点,根据此观点提出了减小误差的方法。实例计算表明,这一模型和方法应用于短期负荷预测能获得较高的预测精度。     

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。     

基于粗糙集神经网络和元胞自动机的空间负荷预测

在分析目前空间负荷预测方法的基础上,提出了一种新的空间负荷预测的方法。该方法主要是利用粗糙集理论对从空间数据库中提取出来的随机数据样本集进行属性简化,减少人工神经网络的输入变量的个数和样本数量,从而提高神经网络提取元胞自动机转换规则的收敛速度和准确性,提高了空间负荷预测的精确性。该方法结合了粗糙集和人工神经网络的优点,并利用元胞自动机的理论来模拟城市用地类型变化,进行空间负荷预测。某市城市规划区域的空间负荷预测实验,证明了该方法的有效性。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

Input variable selection for ANN-based short-term load forecasting

This paper describes a novel method for input variable selection for artificial neural network (ANN) based short-term load forecasting (STLF). The method is based on the phase-space embedding of a load time-series. The accuracy of the method is enhanced by the addition of temperature and cycle variables. To test the viability of the method, real load data for two US-based electric utilities were used. Only 15 input variables were identified in both cases and used for 24-hour ahead load forecasting. Results compare favorably to the ones reported in the literature, indicating that more parsimonious set of input variables can be used in STLF without sacrificing the accuracy of the forecast. This allows more compact ANNs, smaller training sets and easier training. Consequently, the method represents a step forward in determining a general procedure for input variable selection for ANN-based STLF     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法.首先,由关联分析法确定负荷主要影响因素.然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测.最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时...