基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一。在短期负荷预测中,电力负荷变化受多方面因素的影响。负荷曲线呈现出强烈的非线性。正确认识和分析影响负荷因素对负荷的影响一直是短期负荷预测的关键问题。采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度。     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑到气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能,适合在短期负荷预测中使用,具有较好的预测精度。     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预测。用了改进的BP学习算法,以提高训练的收敛速度。预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构、特性和大脑认知功能而构成的新型信号、信息处理系统。针对电力负荷短期预测，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法适合在短期负荷预测中使用，预测结果验证了上述结论。     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

基于级联神经网络的短期负荷概率预测新方法

针对负荷历史数据的统计特征,提出一种基于RBPN网络和RBF网络的级联神经网络预测方法.本模型将历史负荷与其相对应的影响因素进行模式分类,由最大后验概率判别准则确定待预测日影响因素的模式,并利用其对应模式样本数据进行负荷预测.该算法减少了训练样本的数量,提高了预测精度,最后给出的算例证明该方法是合理有效的.     

基于RBF改进模型的电力系统短期负荷预测

提出了一种改进的径向基函数神经网络预测模型。模型中,应用改进K-均值聚类算法确定该神经网络的聚类中心,运用最小均值方差算法确定了神经网络的权值,同时考虑了温度、天气状况、日期类型对负荷的影响。经初步测试表明,该方法具有良好的预测精度。     

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

电力系统短期负荷预测的混合模型神经元网络方法

提出了一种将线性模型方法和神经元网络方法相结合的负荷预测方法－－混合模型神经元网络方法。该方法将一部分线性变化的负荷分量用线性模型描述,其它发量用神经元网络建立,国而同时具有线性模型的优点和神经元网络的优点。交过一方法用于江苏省连云港市超前２４小时负荷预测,取得了比单纯的神经元网络模型高的预测精度。     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合 GN( Gauss- Newton) - BFGS( Broyden- Fletcher- Goldfarb- Shanno)法进行RBF(径向基函数 )神经网络学习的算法。这种方法结合 GN法与 BFGS法的特点 ,既尽可能地利用了问题本身的特殊结构 ,又能取得超线性甚至二次渐近收敛率 ,因此有效地提高了学习效率。在学习过程中 ,利用该方法能够区分零残量和非零残量 ,并利用这种特点进行隐层神经元数目的自动调整 ,从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明 ,该方法同神经网络的其他算法相比 ,具有训练时间短、预测精度高的特点     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

基于蚁群优化算法的短期负荷预测研究

为了克服BP算法收敛速度慢和易于陷入局部最小的不足,作者提出将蚁群优化算法用于短期负荷预测的递归神经网络模型学习算法,对实际负荷系统日、周预测的仿真测试表明,该模型能有效地提高短期负荷预测的精度,对工作日和休息日都具有良好的稳定性和适应能力,其预测性能明显优于基于BP算法的递归神经网络(BP-RNN)和基于遗传算法的递归神经网络(GA-RNN).     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

人工神经网络在华北电网负荷预测中的应用

文章介绍了人工神经网络在华北电网短期负荷预测中的研究与应用,这种方法可以考虑气象因素在短期负荷预测中的影响,它能够准确地预测出华北电网的负荷,预测的结果表明这种方法在短期负荷预测中可以使精度提高０．９％。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模拟人脑神经元结构、特性和大脑认知功能而构成的新型信号、信号处理系统。本文针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,采用反向传播算法,考虑气象因素对负荷的影响,提高了学习效能,具有较好的预测精度。本方法很适合在短期负荷预测中使用,预测结果验证了上述结论。     

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.