基于改进CS算法优化Elman-IOC神经网络的短期负荷预测

为提高负荷预测精度,提出一种基于混沌定向布谷鸟算法优化Elman-IOC神经网络的短期负荷预测模型,首先对Elman神经网络拓扑结构进行改进设计,通过增添输入-输出层连接单元,加强网络并行运算能力,提高预测精度,然后在布谷鸟算法中,利用最优位置信息指导随机游动过程,同时引入混沌扰动算子,增强全局搜索能力,最后将算法应用于Elman-IOC神经网络参数优化,建立了短期负荷预测模型。实验结果表明,较之其他模型,本文模型具有更高的预测精度。     

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。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

利用粗糙集约简算法改进BP神经网络负荷预测模型

传统神经网络预测模型受网络结构复杂性和样本复杂性的影响,容易出现“过学习”或低泛化能力。利用粗糙集理论中的几种属性约简算法对与负荷相关的各种历史数据进行约简,剔除与决策信息不相关的属性。实例证明该方法简化了BP神经网络的输入变量,从而缩短了神经网络模型的训练时间,提高了预测性能。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

一种基于改进级联神经网络的短期负荷预测

提出了一种改进的级联神经网络方法,用于电力系统的短期负荷预测,并且采用基于模型逼近度和接受概率的变步长变尺度BP算法提高神经网络本身的效率和精度,通过对实际数据的仿真表明,可用于电力系统短期负荷预测。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。     

改进模糊神经网络在负荷预测中的应用研究

电力系统短期负荷预测是电网调度中一项重要的工作,精确的负荷预测可以为调度员提供必要的基础数据,电网运行安排也都是以负荷预测的数据作为根据。利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测。研究了改进的误差反向传播算法——动量及自适应lrBP的梯度递减训练算法,预测结果表明比标准BP算法具有更好的性能。同时,针对大量无法用精确数值来量化的信息的影响,引入模糊理论的方法,定义了不同的隶属度函数,模糊化后输入到网络中进行训练和预测,结果表明其精度比输入量非模糊化的人工神经网络更高。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于级联神经网络的短期电力负荷预测

文章基于神经网络理论,针对武汉地区电力负荷曲线的特点,提出了采用级联神经网络进行电力负荷预测的模型,实例计算表明,该方法具有较高的预测精度和较强的适应能力。     

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。     

基于提升人工神经网络的短期负荷预测模型

本文提出了一种基于提升人工神经网络的短期负荷预测方法。该方法由一组经过训练的人工神经网络迭代组合而成。在每次迭代中,对新的人工神经网络模型进行了调整,使前期迭代的模型得到的估计值与真实值之间的误差最小化。通过仿真可知,当计算输出的模型个数大于20时,可以获得较低的预测误差,与现有方法相比具有更高的预测精度。     

基于改进的模糊神经网络的短期负荷预测

影响短期电力负荷预测的因素是多方面的,除节假日、日期类型和气象因素外,还有拉电或限电行为、持续高温等许多干扰因素。针对这些干扰因素,引入了"干预项",进而提出了一种改进的模糊神经网络预测的新方法;阐述了应用该方法进行短期负荷预测的基本原理、网络模型和预测过程。实例分析中分别给出了经"干预项"和未经"干预项"处理后的预测结果,未经"干预项"处理的预测误差明显偏大。同时采用三种方法对不同日期类型进行预测,结果表明新方法的预测误差最小,预测精度较高。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

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。