基于级联神经网络的短期负荷预测方法

针对常和BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络，一系列的研究算例证明该方法是快速，准确的。     

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。     

电力负荷的RBF神经网络预测

针对中长期电力负荷预测,给出了RBF的预测原理,推导了权值的更新方式。对比了RBF和BP预测方法,结果表明,RBF方法收敛速度快、预报精度高,由此也证实了其具有的工程应用前景。     

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RBF神经网络分位数回归的电力负荷概率密度预测方法

针对电力系统短期负荷预测问题,在现有的组合预测和概率性区间预测的基础上,提出了基于RBF神经网络分位数回归的概率密度预测方法,得出未来一天中任意时期负荷的概率密度函数,可以得到比点预测和区间预测更多的有用信息,实现了对未来负荷完整概率分布的预测。中国某市实际数据的预测结果表明,提出的概率密度预测方法不仅能得出较为精确的点预测结果,而且能够获得短期负荷完整的概率密度函数预测结果。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型。根据该模型建立相应的RBF神经网络进行预测。并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型.根据该模型建立相应的RBF神经网络进行预测.并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值.     

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。     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。     

应用近邻传播算法改进RBF的短期负荷预测

为了更有效地挖掘电力负荷样本数据的信息规律,提高径向基函数RBF(radial basis function)神经网络的预测精度,提出了一种引入近邻传播思想的RBF神经网络算法。该算法根据电力负荷数据的内部周期相似性规律,利用近邻传播算法将样本数据进行聚类处理,获取样本数据的类中心点,并将此作为RBF神经网络的中心矢量,同时根据类中心距离设置基宽,最终实现样本数据的训练以及未来电力负荷的短期预测。通过对未来一天的负荷预测,验证了该思路,为电力负荷短期预测提供了一种新方法。     

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.     

改进径向函数网格（RBFN）在电力负荷预报中的应用

本文根据电力系统短期负荷预报的特点和径向基函数神经网络的非线性辨识功能，提出了一种负荷预报的新算法－ＲＢＦＮ算法。该算法能够体现负荷的波动性和气候对负荷的影响，收敛速度较快，由于采用丛聚技术调整径向基函数中心，该算法具有较高的预报精度，通过对实际系统的实验表明：可用于提前２４小时的电力系统负荷预报。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于层次分析法和径向基函数神经网络的中长期负荷预测综合模型

中长期负荷预测是电力系统规划与运行的基础工作,提出基于3指标量,即指标总量、指标增长量和指标增长率的综合模型。首先构建层次分析(analytic hierarchy process,AHP)模型,分别对3个指标量进行分析评价,优选出每个指标量的最优预测模型,然后利用径向基函数(radial basic function,RBF)神经网络对3个最优模型的预测结果进行拟合,并将GDP因素也作为神经网络输入数据之一,输出最终的预测结果。AHP模型中综合考虑了模型预测误差和模型拟合度,并成功地加入了人工干预的因素,依据专家经验判断模型的信任度和预测结果趋势可信度。AHP模型采用与预测时刻最近的历史数据进行分析,因此具有较好的实时性。实验结果表明该综合模型具有较高的预测精度,实际应用效果较好。     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

RBF神经网络在中长期负荷预测中的应用

根据电力系统中长期负荷的特点和径向基函数(RBF)神经网络的非线性辨识功能,将RBF神经网络应用于中长期负荷预测的数据预处理,具体讨论了空缺数据的补全以及失真数据的查找和修正,并提出了一种改进的基于RBF神经网络的中长期负荷预测模型。实际算例的分析表明,所提出的基于RBF神经网络的缺损数据处理方法和改进的中长期负荷预测模型是可行和有效的。