改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成B...     

基于BP和多项式拟合模型在电力系统短期负荷的研究

针对电力系统短期负荷数据进行预测分析,以兰州地区某天电力系统负荷值为样本,分别运用BP神经网络和多项式拟合,给出了预测数据的残差和相对误差。对预测数据进一步分析后,剔除相对误差较大的4组数据再次进行拟合,可使相对误差平均值远低于电力系统短期负荷预测相对误差(5%),提高了模型精度。该文提供的方法在电力系统短期负荷、股价分析、经济效益等领域的同类数据分析中有参考价值。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

改进的BP算法及其在镗孔加工中应用

对一般BP算法的激励函数、误差函数等进行了改进,将梯度下降法与遗传算法相结合来训练BP网络,并在此基础上,建立了镗孔加工的人工神经网络预报模型,实验结果表明,该模型能较好地对镗孔加工过程中的尺寸进行预测。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

基于粒子群算法的极限学习机短期电力负荷预测

为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(CSPSO-ELM)预测模型。该模型利用粒子群算法(particleswarmoptimization,PSO)寻找极限学习机(ELM)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于SBF-Elman的EV短期负荷预测研究

;针对EV (electric vehicle,电动汽车)短期负荷数据中异常数据造成预测偏差,提出顺序分支筛选法结合Elman的EV短期负荷预测方法,简称SBF-Elman (Sequential branch filtering-Elman).首先分析EV短期负荷预测研究现状和影响EV充电负荷因素,介绍了SBF-El...     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

基于GRU网络的风功率短期预测模型

随着大容量风机并网需求的急速增长,现有电网的安全可靠运行面临着巨大挑战。为解决这个难题,提出一种基于深度学习的风功率预测模型。该模型以GRU网络为核心,将风电场的历史功率数据及功率相关的天气数值数据输入到模型中进行预测。鉴于风功率预测模型输入数据维度高、高波动性等特点,为了让GRU网络模型得到更精准的预测结果,在数据处理阶段引入CNN网络,降低输入数据维度。为了克服训练后的预测模型过拟合,引入了dropout技术。最后,通过实验验证该预测模型在预测速度和精度方面均有良好的表现。     

基于改进的神经网络的电力系统负荷预报

用共轭梯度算法改进BP神经网络,使得网络的性能得到改善,缩短了网络训练时间,提高了预报精度,并将其应用于电力系统负荷预报,通过对东北电网实测数据的仿真计算表明,该方法是可行的.     

基于改进的神经网络的电力系统负荷预报

用共轭梯度算法改进BP神经网络,使得网络的性能得到改善,缩短了网络训练时间,提高了预报精度,并将其应用于电力系统负荷预报,通过对东北电网实测数据的仿真计算表明,该方法是可行的.     

BP网在摩擦学系统建模和预测应用中的研究

本文在分析了摩擦学系统特点以及在BP神经网络的结构的基础上,采用BP神经网络对摩擦学系统进行了建模和预测,通过对结果的分析,给出了这种神经网络在不改变隐层节点数和训练精度的条件下,来提高训练速度和拟合精度的一种新的方法,并指出了要保证BP神经网络近似任意的连续非线性函数,其训练数据应具备的条件。它对BP神经网络在处理大数值的应用中,具有较大的指导意义。     

BP神经网络算法用于专业机械快速设计

现阶段对起重机金属结构的优化设计,都是利用智能算法通过筛选最优目标值的方式来获得结果。为开发专业机械CAD软件探索新思路,并探寻一种快速获得非标产品参数的可行方法,引入BP神经网络算法,采用映射的方式来获得设计方案。把入粒子群结合惩罚函数算法,作为金属结构设计问题的方案发生器,产生大量针对不同设计要求的设计方案数据样本。再利用所得的数据样本训练BP神经网络,得到相应的权值和阈值。利用训练好的神经网络强大的非线性映射能力实现快速设计的功能。基于Visual C++6.0进行了软件开发及算法功能实现。     

神经网络并行进化设计及其在短期电力负荷预测中的应用

针对神经网络模型进化设计问题的特点 ,提出了改进的并行遗传算法 (IPGA) ,并分析其全局收敛性与应用策略。应用此方法于短期电力负荷预测系统中 ,取得了更高的预测精度。该方法设计简单通用、模型性能评价全面合理、全局优化能力强。实际应用表明该方法是有效的 ,具有应用推广价值。     

基于BP算法的发动机故障诊断

本文首先介绍了人工神经网络的基本原理,然后详细论述反向传播算法（BP）,最后研究BP在发动机故障判断方面的应用。     

基于遗传算法的有功功率负荷最优分配

选定煤耗量作为优化的唯一目标函数,将遗传算法应用于发电厂或电力系统,解决了多台机组运行时相互间负荷的最优分配问题,并与等微增率法进行了比较.仿真结果表明,遗传算法在计算结果和使用范围方面都较等微增率法更加经济、优越,具有运算速度快、使用方便的特点,能够实现机组负荷的优化分配,改善机组的运行经济性,该方法具有一定的有效性和可行性.     

GPRS通信技术在电力负荷管理系统中的应用

提出一种基于GPRS通信网络的电力负荷管理系统架构，并且实现了基于GPRS通信技术的用电监控终端的设计。