基于BP神经网络的电力短期日负荷预测

在分析了温度、降雨量、时间等因素对负荷的影响的基础上,应用BP神经网络建立负荷预测模型,对输入负荷值进行归一化处理,网络的训练应用Levenberg-Marquardt算法,很大程度上提高了神经网络的收敛速度和预测精度.通过实例验证该方法可行.     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于BP神经网络和遗传算法的年负荷预测与分析

建立BP（Back Propagation）神经网络与遗传算法相结合的电力负荷预测模型。在该模型中,利用遗传算法具有的全局寻优特点,将BP网络的初始权值优化到一个较小的范围,然后再用BP算法在该范围内继续优化,以便使优化算法既能实现全局最优求解,又能获得较快的求解速度。最后,通过仿真算例,与传统BP网络优化结果、及各种拟合方法获得结果进行比对,验证了计算方法的可行性和优越性。     

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%。     

GM(1,1)改进模型在广西短期电力负荷预测中的应用

采用GM (1 ,1 )改进模型与ARIMA(p ,d ,q)模型对广西自治区电网特殊日电力负荷进行组合预测 ,阐述了GM (1 ,1 )改进模型的建立方法 ,提出了适用于广西自治区电网特殊日电力负荷预测的预测数据处理方法 ,提高预测的精确度 ,全年日精确度优于 95% .解决了在日采样点为 2 4点 (正点采样 )情况下预测确度较低的问题 .     

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。     

基于GM(1,1)负荷预测的500kV变电站经济运行规划

提出了基于灰色GM(1,1)模型负荷预测的500 kV变电站经济运行规划方法.首先介绍了变电站常用的经济运行措施,针对500 kV变电站的特点,从理论角度分析了三绕组主变压器的运行损耗、经济运行区间,制定了基于临界负载功率的多主变经济运行方式;而后提出了基于GM(1,1)模型的变电站负载滚动预测方法;最后制定了基于负荷预测的500kV变电站经济运行规划方法.算例分析表明本经济运行规划方法具有有效性和实用性.     

基于BP神经网络的电站负荷预测仿真研究

随着神经网络理论在电力行业应用不断广泛和深入,神经网络用于电力负荷预测也取得一定成果。为了减小负荷预测的误差,提高预测精度,将BP神经网络引入电站负荷预测,首先介绍了电力负荷传统预测方法,进而引出了人工神经网络预测方法,分析了BP神经网络原理、模型及算法,通过m语言在MATLAB中建立了负荷预测模型,对实际电站数据进行了仿真分析,得到了训练误差曲线,验证了BP神经网络应用于负荷预测满足一般精度的要求,从而改进了传统方法带来的误差,使预测结果接近实际值。     

中长期电力负荷的灰色残差修正组合预测

中长期电力负荷走向趋势曲线往往呈S型,直接运用灰色GM(1,1)模型预测会造成较大的偏差。针对负荷曲线固有的发展趋势,根据曲线发展的不同阶段分阶段预测,采用GM(1,1)模型进行第一阶段的预测,采用残差修正模型进行第二阶段的预测。在分阶段预测的基础上,根据每一阶段的预测精度分配权重,进行组合预测。该方法将数据本身发展趋势和模型固有优点相结合,预测结果表明该方法在提高精度上有可行性。     

基于GM(1,2)的中长期负荷区间预测模型

根据电力负荷预测中重视负荷成因和区间预测的指导思想,结合传统预测方法的优点,以灰色理论为基础,运用灰色GM（1,N）模型,分别将三个产业的GDP与用电量结合进行预测,并修正模型系数。同时结合二产GDP高、中、低三个水平进行区间预测。结果证明结合影响因素的预测效果较好,预测区间范围合理,可作为中长期负荷预测工具之一。     

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM（1,1）预测模型的缺点,提出了一种适用于中长期负荷预测的GM（1,1）优化建模方法。用一个与GM（1,1）模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM（1,1）模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM（1,1）模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。     

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。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2％以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练.预测日24 h负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率控制在2％以内.BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,为研究电力系统经济调度提供了一种新的非线性仿真建模模型.     

基于灰色模型GM(1,1)的短期负荷预测方法简介

电力负荷系统是典型的灰色系统,电力负荷特性指标的预测具有直接的经济意义.灰色GM(1,1)模型在电力系统负荷预测领域中得到了广泛的应用.通过时GM(1,1)模型做一些改进形成等维新息模型和基于边值条件修正的GM(1,1).实例证明,改进的模型大大降低了预测误差,预测精确度满足了用户的要求.     

专家系统与BP神经网络相结合的短期负荷预测

研究了专家系统结合神经网络BP算法在短期电力负荷预测中的应用.对神经网络BP算法进行改进,使用BP算法对咸阳电网实际负荷数据进行预测,并将预测值与实际负荷值进行比较,总结其长期的发展变化规律.同时汲取有关专家学者和专业预测人员的经验知识,形成一系列的规则集,从而模拟人类专家的决策过程进行推理和判断,形成一个专家系统,以此来改进采用单一BP算法进行预测的种种不足.结果表明,经验知识越成熟,推理规则越完备,对提高预测精度越有利,对神经网络BP算法的预测值进一步修正的可能性越大.     

蚁群灰色神经网络组合模型在电力负荷预测中的应用

灰色GM(1,1)预测模型,在负荷预测中得到了广泛应用,但是也有其局限性。当数据灰度越大,预测精度越差,并且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数 造成的,为此引入向量 ,建立蚁群灰色模型,然后与神经网络模型相组合,即建立蚁群灰色神经网络组合预测模型。实证分析表明,该预测方法是合理有效的,与传统的预测方法相比,提高了预测精度,具有较好的实用价值。     

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。     

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型.首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输...