基于粒子群的电力系统短期负荷预测

短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济、合理的供电。针对负荷预测方法的多样性,在传统的BP网络用于负荷预测的基础上,提出粒子群PSO(Particle Swarm Optimizer)优化神经网络权值的算法,并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也明显地得到提高。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

基于小波神经网络的电力系统短期负荷预测模型研究

实现了BP神经网络电力负荷预测模型和小波神经网络电力负荷预测模型.通过对两种神经网络的算法进行理论分析以及两种模型的预测结果比较发现,小波神经网络在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度.小波神经网络是一种建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性.文中所指的小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测中得到验证.表明小波神经网络模型预测精度高,自适应性好,收敛速度也明显快.     

基于粒子群优化的神经网络短时交通流量预测

基于短时交通量的不确定特性,对城市相邻交叉口路段的交通流建模方法进行了研究.提出了基于粒子群优化的BP神经网络的信号交叉口交通量预测模型.该模型以BP神经网络为基础,用PSO算法对BP神经网络权值和阚值进行优化,从而提高了网络的预测精度.实时预测时,不只考虑本路口前几个时段交通量,同时也考虑了上下游路段的交通量的影响.仿真结果表明,粒子群-BP神经网络预测模型可以成为交通量预测的一种有效手段.     

改进粒子群—BP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算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于高斯变异粒子群优化的短期负荷预测

针对现有短时预测方法精度不高及电网负荷数据不确定性变化的问题,提出一种基于高斯变异粒子群优化(GPSO)的长短时记忆神经网络(LSTM)负荷预测模型,实现对短时负荷数据的高精度预测。方案首先对负荷序列数据进行预处理,提升数据之间的相关性。进一步引入非线性惯性权重加速粒子收敛速度,同时结合自适应高斯变异操作减小粒子陷入局部最优的风险,从而提升了PSO算法的寻优能力。实验结果证明,改进的粒子群优化算法能够提升LSTM模型的预测性能,验证了提出方法的有效性。与已有的预测模型相比,GPSO-LSTM模型有着更优的预测能力。     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此，在分析了电力负荷运行曲线的基础上，提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法，很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明，此方法具有町靠、鲁棒性好和快速等特点，优于神经网络电力负荷预报方法。     

基于BP神经网络电力负荷短期预测研究

电力负荷预测是电力系统一项重要的工作。本文应用了BP神经网络对南方某地区短期电力负荷进行了预测。首先介绍了BP神经网络结构,其次是利用BP神经网络结合南方某地区电力负荷数据进行实证研究,并且在设计BP神经网络结构时考虑了气象因素对负荷的影响。     

电力系统负荷数据预测的设计与实现

为了确保送电质量,提升供电可靠性,通过负荷预测为电力企业的规划策略提供数据依据,从电力负荷数据特性着手,详细分析了影响因素以及预测难点。采用PSO算法对LSTM长短期记忆神经网络进行参数寻优,并综合考虑温度、时段、电价等因素构建电力负荷数据预测模型;采用C#语言设计了包含数据仓库、模型构建与择优、负荷预测模块的C/S模式负荷数据预测平台。通过实际数据验证,预测精度较高,误差在允许范围内,为电力系统负荷数据预测提供了可靠的信息化手段。     

基于改进PSO算法的LSSVM入侵检测模型

在基本PSO算法和线性权重下降PSO算法的基础上,提出一种并行PSO算法,将粒子群分成两组,分别采用不同的惯性权重,各侧重于全局搜索和局部搜索,根据进化代数动态调整两种算法中进化的粒子数。通过仿真实验,证明了并行PSO算法的寻优性能优于基本PSO算法和线性权重下降PSO算法。     

一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

PSO粒子群算法在神经网络泛化能力中研究

利用PSO粒子群算法对神经网络的权值和阈值,隐藏层中神经元的传递函数系数进行优化。针对网络训练效果好,而泛化能力很差的情况,将训练样本均方差和权值的平方和结合作为PSO算法的目标函数。实验表明,该方法比惯性权值PSO-BP算法和基本梯度下降法好,不但稳定性好,而且预测精度高,泛化能力得到明显加强。     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

基于PSO的BP训练算法

在BP训练算法中,关于变权值、学习速率、步长的问题已被广泛地研究,几种基于启发式改进的技术也表明具有改善训练时间以及避免陷入局部最小的明显效果.这里BP训练过程由基于PSO同时优化log-Sigmoid函数与网络权值的新算法(PSO-GainBP)实现.实验结果表明,PSO-GainBP比传统基于PSO的BP算法在网络训练方面具有更好的性能.     

基于元胞自动机的小生境微粒群算法

小生境技术的引入,提高了微粒群算法处理多峰函数优化问题的能力。本文提出了基于元胞自动机邻域的小生境微粒群算法,并通过对典型函数进行测试,实难结果表明,该算法在复杂函数(较难收敛函数)的优化中比基于环形结构的标准小生境微粒群算法要好。     

基于改进的粒子群算法和信息熵的知识获取方法

针对粒子群优化算法（PSO）易陷入局部优化的问题,在PSO算法加入交叉变异算子,克服了标准PSO算法易陷入局部最优的不足;并将改进的PSO算法和模糊C 均值聚类相结合,提出了一种新的模糊聚类算法CMPSO FCM,该算法具有良好的搜索能力和聚类效果。进而将聚类得到的属性隶属矩阵用于属性约简,并提出一种基于信息熵的模糊粗糙集知识获取的方法。实验和实例分析表明该方法的正确性和有效性。     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

基于集成BP神经网络的短期负荷预测

利用混沌相空间重构理论对负荷时间序列研究,用改进的C_C方法求得时间延迟τ和嵌入维数m,得到系统最大李雅普诺夫指数,证明其具有混沌特性.对样本数据相空间重构,构建多个BP神经网络的预测子模型,所有子模型同步预测的加权平均作为集成负荷预测值.在线采集负荷数据,利用增量式训练获取新的预测子模型,按“先入先出”顺序进行BP神经网络集成更新.将预测结果同普通BP神经网络预测结果进行对比,结果证明这种方法提高了预测精度.