地铁供电系统短期负荷预测系统设计

基于地铁供电系统短期负荷预测是电力系统短期负荷预测精细化研究的需要,本文对地铁供电系统短期负荷预测系统进行了设计。系统由负荷统计模块、负荷数据调用模块、负荷预测模块、预测误差统计模块、图形输出模块和数据输出模块等6个模块组成,在负荷预测模块中构造了基于脉冲神经网络的地铁供电系统短期负荷预测模型,用该预测模型对地铁供电系统短期负荷进行预测,并将预测结果与传统BP-NN预测模型进行对比。结果表明,脉冲神经网络预测模型的平均预测误差降低了2%以上,比BP-NN预测模型的平均预测误差明显降低,表明脉冲神经网络预测模型的预测精度明显优于BP-NN预测模型,从而验证了地铁供电系统短期负荷预测系统采用脉冲神经网络预测模型的可行性;并且脉冲神经网络预测模型具有较好的预测稳定性,1周的预测精度稳定在7.01%~7.80%区间内。该模型取得较为满意的预测精度,为地铁供电系统短期负荷预测系统的实际应用提供了理论依据。     

基于马尔科夫链误差修正的光伏发电预测

为了提高光伏发电预测的精度,在传统BP神经网络预测模型的基础上,利用相似日算法和马尔科夫链理论对预测模型进行改进。其方法以得到的相似日数据作为预测模型的输入量,通过BP神经网络进行训练,得到初步的预测值,然后根据马尔科夫链模型得到的误差状态转移概率矩阵对预测误差进行修正,根据修正后的误差得到新的预测值。最后通过与传统算法得到的预测结果进行误差对比分析,结果表明,改进算法的预测精度高于传统算法,验证了该模型的有效性。     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于PSO-DNN的电力系统短期负荷预测模型研究

为准确有效的预测电力系统负荷值,本文提出了基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的电力系统短期负荷预测模型。DNN通过增加网络的前馈联接,利用多层隐含层对原始输入数据进行多次非线性映射变换,增强各隐层间的信息交换,有效解决传统神经网络易陷入局部极小值等问题。同时利用PSO优化DNN的隐含层结构和权值,通过迭代更新粒子状态确认网络最优参数,提高了模型的预测精度及稳定性。为研究DNN的预测性能,通过实际算例对所提出的预测模型与传统的BP-NN和RBF-NN预测模型进行比较分析。分析结果表明,PSO-DNN预测模型工作日预测误差分别降低了1.16%和1.04%;休息日预测误差分别降低了1.18%和1.07%,预测精度显著提高。该模型具有一定的可行性和实用性。     

基于特征提取的FA-BP短期光伏发电预测

为解决光伏发电受详细、复杂的天气数据所影响的问题,提出一种基于特征提取的萤火虫算法（FA）优化误差回传神经网络（BP神经网络）的FA-BP短期光伏发电预测模型。为提高收敛速度利用主成分分析法（PCA）对光伏发电历史数据以及历史天气数据进行降维与去噪,选取影响光伏发电的主要成分并构建PCA-BP预测模型。并利用FA对PCA-BP预测模型进行阈值和权值的优化,进而构建PCA-FA-BP的光伏发电预测模型。再将提出的PCA-FA-BP预测模型与BP神经网络预测模型、PCA-BP预测模型以及单一的FA-BP预测模型进行光伏发电预测效果对比与分析,通过仿真结果表明:PCA-FA-BP预测模型拥有更佳的训练效果以及预测精度。     

基于混沌搜索的AMPSO-BPNN在光伏功率预测中的应用研究

以光伏发电系统的输出功率为研究对象,通过分析光伏发电功率的影响因素,利用相似日原理生成训练样本,将混沌搜索和自适应变异思想引入粒子群算法中,提出混沌搜索的自适应变异粒子群优化BP神经网络的预测模型。该模型较好地克服了BP网络初始化的随机性问题,提高了模型的泛化能力、收敛速度与预测精度。利用光伏电站与气象观测站的数据进行仿真分析与验证,结果表明:优化后模型的预测精度高于优化前,且混沌搜索的AMPSO的优化效果好于单纯PSO的优化效果。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

基于PSO优化BP神经网络的光伏发电量预测

为了实现对光伏发电量的预测,降低光伏并网的不利影响,通过建立粒子群算法(Particle Swarm Optimization,PSO)优化的前馈神经网络光伏系统发电预测模型,进行光伏发电量的预测。该模型采用粒子群优化算法来优化神经网络内部权重和阈值,不仅收敛快,而且不易陷入局部极值,具有较强的泛化能力。以天气参数和光伏发电历史数据作为样本,比较了该模型与未经优化神经网络模型的预测效果。结果表明,经PSO优化的神经网络模型预测精度更高,预测性能更好。     

基于修正BP神经网络的分布式光伏短期功率预测

针对使用BP神经网络对分布式光伏发电中短期功率预测易陷入局部最小值的问题,展开了深入的研究。因BP神经网络易陷入局部极小值,故采用自适应混沌搜索的空间来修正BP神经网络,这种方法能将BP神经网络很好地进行优化,并且对关于分布式光伏的一些其他因素都进行研究与考虑。通过仿真实验结果证明,改进的BP神经网络经过多次重复的训练,相较于传统持续模型,利用自适应混沌搜索的空间修正法的预测误差大约减少3%,而相较于传统神经网络模型,其约减少2%,这也验证了应用的空间修正法对分布式光伏发电短期功率预测具有很好的效果。     

基于回声状态网络和主元分析的混沌时间序列预测模型

回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果.但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度.文章提出了一种基于主元分析与回声状态网络相融合的非线性混沌时间序列预测模型.该模型通过主元分析降低输入向量的维数,以减小ESN输入权值矩阵的规模,降低运算的复杂度,从而达到减小ESN训练时间、提高预测速度的目的.利用仿真数据对ESN和文中模型进行了精度和预测时间对比实验,表明该模型是一种有效模型.