基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意。     

基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意.     

基于层次分析和主成分分析的行业用电发展态势评估

将主成分分析方法和层次分析法结合引入行业发展评价分析中。首先综合众多经济电力指标,基于主成分分析模型来分析行业月度景气程度,了解行业用电现状。其次,运用层次分析模型建立了行业权重评价指标体系,从而确立行业权重,用来评价一定时间阶段下工业整体的发展态势。最后结合上述分析,为得到工业整体及各个行业在某一阶段的发展态势,建立了行业多月综合景气度、工业综合景气度以及行业类型划分规则,对不同行业的不同发展态势进行归类,为未来的产业调整、节能减排、发展规划等相关决策提供依据。     

基于格兰杰因果检验和主成分回归分析的月发电量预测

利用格兰杰因果检验中不同滞后期的自变量对因变量的因果关系的不同,对原始数据进行滞后处理,通过不断试错,选取对发电量影响显著的5个因素作为自变量,结合主成分分析法,提取第一、二主成分与发电量进行回归分析,并对我国发电量进行了预测.通过与不作处理的主成分回归预测结果和向量自回归预测结果进行对比,发现该方法在对月发电量进行预测时具有更高的准确率.     

基于主成分分析法和自适应神经模糊推理系统的电力负荷预测

提出了一种基于主成分分析法与自适应神经模糊推理相结合的电力系统负荷预测方法，通过对影响电力负荷的相关因素进行主成分分析，减少自适应神经模糊推理系统的输入量，可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。     

基于主成分分析合作博弈的电网负荷智能预测方法研究

针对传统预测方法存在预测不准确、误差大的问题,提出一种基于主成分分析合作博弈的电网负荷智能预测方法。基于多分辨分析理论构建电网负荷预测参数模型,通过IGOA优化LSSVM的惩罚因子C和核函数参数δ2,得到更优的电网负荷参数;引入主成分分析合作博弈方法进行电网负荷智能预测。实验显示,采用该方法对数据进行拟合的图像更接近真实图像曲线,说明预测精度高,且误差较小,具有一定的优越性。     

基于主成分分析和正则化神经网络的电力负荷预测方法

为提高用电负荷预测的准确率,提出一种基于主成分分析(PCA)和正则化人工神经网络负荷预测方法.通过分析多个影响负荷变化的变量和因子,利用主成分分析法对变量进行线性降维,减少各变量之间的关联性,用得到的主成分作为BP神经网络的输入变量,同时增加正则化约束项优化神经网络训练过程,提高网络模型泛化能力.最后利用某售电公司所代...     

电力日负荷数据主成分分析与计算

为实现电力的准确性负荷预测,保证电力系统安全性和经济性,避免短期负荷精度存在误差,提出一种主成分分析方法。结合多元统计的主成分分析,依据主成分的实际贡献率,做好线性无关输入变量的提取工作,进而将变量维数逐渐压缩。结合递推合成BP网络实现数据预测,在电力短期负荷预测过程中,会将模型预测精度提高。电力日负荷数据主成分分析和计算仿真结果表明,这一简化模型在日负荷数据预测过程中速度较快,同时也有着较高的预测精度。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于改进主成分分析法的火电机组能耗特征识别方法

火电机组的能耗特性(发电煤耗率与各能耗参数的特性关系)反映着机组的能耗特征,它是机组节能研究的重要组成内容。机组的能耗特性等重要知识蕴含于机组的运行数据中,理论上机组的能耗特性可以从其历史数据中回归挖掘出来,然而机组的能耗指标不仅数量多,而且相互之间具有多重共线性特点,这给回归分析带来了困难。运用改进主成分分析法的特征提取和降维的功能,以损失少量信息为代价,解决了能耗变量维数过高及其多重相关性给能耗特性方程的回归带来的困难。然后,从能耗特性方程出发,辨识出了各重要能耗指标的灵敏系数。最后,通过对国内某火电厂的600 MW机组进行能耗特征分析,验证了该方法的有效性。     

基于主成分分析与前向反馈传播神经网络的风电场输出功率预测

为了解决单一的传统预测方法在风电场输出功率预测中存在的问题,提出了基于主成分前向反馈神经网络的预测方法。首先采用K-S方法对样本进行选取;然后用主成分分析法提取样本有效信息,求解出主成分,构建神经网络模型进行输出功率预测。结果表明,主成分分析后的神经网络模型消除了输入因子的相关性并简化了网络结构,使网络加速收敛。实例验证,与单一的神经网络模型相比,预测精度有所提高,为风电场输出功率预测提供了一种有效的方法。     

基于事例推理的电力系统短期负荷预测

短期负荷预测对于电力系统安全、稳定、经济地运行有重要意义。将粗糙集信息熵理论和统计学主成分分析方法用在负荷事例属性的约简上,分别针对负荷数据的重要性和相关性进行了有效处理。这样,不仅减少了事例重用过程的训练时间,还有效控制了次要负荷因素对重要因素的干扰;在事例修正过程中,针对非正常日提出一些有效的修正方案。最后,用河北省保定供电公司2000~2004年的负荷数据对该方案验证,结果表明,提出的预测方案是有效,可行的。     

基于主成分分析的电网运行薄弱环节识别

随着电力系统的不断扩大,电网变得更为复杂和难以控制,薄弱环节出现的概率不断上升,导致系统事故频繁发生,对电网的稳定运行构成严重威胁。提出一种基于主成分分析的电网运行薄弱环节识别方法。首先综合考虑电网运行的影响因素,建立相应的指标体系,然后在运用主成分分析法的基础上,综合考虑指标权重和指标裕度空间2个因素,对电网运行状态进行薄弱度分析。以某省电网为例,进行实际评估,并验证该方法的适用性和正确性。实践结果表明,该方法在一定程度上具有实用性,能较好地识别出电网运行中的薄弱环节。     

基于主成分聚类分析的智能电网建设综合评价

智能电网引领未来电网的发展方向,合理准确评价智能电网总体发展建设水平、衡量地区电网智能化差异势在必行。以主成分聚类分析法为理论基础,对智能电网评估指标体系中的多元评价指标进行标准化、降维和去相关性处理,消除原指标间的二次加权,为各评价指标赋予主成分权重,同时利用主成分因子载荷矩阵聚类分析,结合指标大类的实际意义与评估方向,提出分类指标体系设计思路,梳理原指标体系评测变量的内在脉络,最终利用综合主成分评价函数定量考察特定区域智能电网发展建设水平并作横向比较,为智能电网发展提供有益参照。相关算例验证了智能电网主成分评价方法体系的正确性和有效性。     

基于主成分分析法的火电厂选址综合决策

针对目前火电厂选址方案综合决策问题的大多数方法过于依赖专家评判确定指标权重具有主观性大的弊端.将多元统计学中的主成分分析方法（PCA）应用到火电厂选址综合决策问题中.主成分分析法可以保证原始数据信息缺失最小的情况下,用少数具有不相关性的主成分来代替原来相互关联的指标.它使原指标数据从多维信息降到低维,在结构上大大简化,并用主成分对系统总方差贡献率来确定各主成分的权重,避免了主观随意性.选取了火电厂选址决策问题中考虑的部分指标,形成了火电厂选址综合评价指标体系,建立了基于主成分分析的火电厂选址决策模型.结合算例介绍了采用基于主成分分析法的火电厂选址综合决策问题的具体步骤.算例结果验证本方法的有效性和客观性.