基于遗传算法的短期负荷组合预测模型

给出电力系统短期负荷的固定权系数组合预测模型－－基于遗传算法的组合预测模型。为增加样本的多样性、避免陷入局部极小,中对遗传算法每代的相同或相近个体作等适应值变换,改进后的遗传算法具有更好的全局优化特性。利用改进的遗传算法确定组合预测模型的权系数,然后进行负荷预测。计算结果表明,该方法是实用和有效的。     

基于Matlab神经网络工具箱的电力负荷组合预测模型

在电力系统负荷预测中,组合预测是一种有效的方法。该方法通常是采用对单个预测模型进行加权处理,要求参加组合预测的模型误差能保持稳定,但电力负荷预测结果的误差往往是非均匀性的,针对上述做法存在问题,提出了基于人工神经网络的组合预测模型,利用人工神经网络对复杂非线性系统的拟合能力,通过网络训练自适应地调整各种预测模型的权重,同时,为了避免用常规语言建立人工神经网络负荷预测模型存在的模型结构复杂,训练时间长等缺点,利用Matlab神经网络工具箱建立组合预测模型,该模型不仅编程简单,而且收敛速度快,算例表明了该模型的实用性和有效性。     

组合预测模型在电网负荷预测中的应用

应用单项预测模型进行电网负荷预测,已不能适应当前电网管理的要求。分析了应用单项人工神经网络模型进行短期负荷预测的局限性,提出了应用定权系数和变权系数组合预测模型进行短期负荷预测,并作了具体应用研究,证明其改善了应用单项人工神经网络模型对负荷变化的连续波动性体现不够的缺点。通过对广州电网的实际负荷进行仿真预测,得出预测模型和处理策略可以得到更加精确的结果。     

基于组合预测模型的长沙市长期负荷预测

在长沙经济发展预测的基础上，采用回归分析法、趋势外推法、灰色预测方法和弹性系数法等多种方法预测长沙城区2005-2020年的负荷需求，并结合这些方法，提出了基于误差权重因子的多种方法组合预测的思路，对长沙市的长期负荷需求进行了优化组合预测．对预测结果的分析表明，该预测方法是合理、有效的．     

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。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

基于组合预测模型的电动汽车充电站短期负荷预测研究

针对电动汽车充电站充电功率随机性大的难题,本文建立了ELMAN反馈式神经网络预测模型,然后采用粒子群算法对其进行优化,接着将优化之后的模型与模糊控制相结合,最终建立3种模型相结合的组合预测模型,并以青岛地区某一充电站的实际负荷数据为算例,验证了组合预测模型的有效性,提高了电动汽车充电站短期负荷预测的精度。     

中长期负荷预测模型的扩展策略

提出中长期负荷预测模型的扩展策略。该策略不仅可对现有预测方法进行改造,也可构造新预测方法。对已有预测模型通过适当扩展其可变参数数目,可增加模型自由度,提高参数估计效果和历史数据拟合精度。在进行新模型求解时,为避免最否最速下降法等直接优化方法陷入局部最优解,采用遗传算法进行模型参数辨识,从而获得更好的拟合效果。     

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。     

免疫前馈神经网络在电力负荷预报中的应用

提出了用免疫算法优化前馈神经网络,将网络结构、激活函数和训练方法等编码作为个体,进行免疫操作,得到最优或次优解.克服了对网络结构、激活函数和训练方法的确定没有可循规则的问题,应用于电力系统负荷预报,取得了比由经验确定的前馈神经网络更好的效果.     

一种新型遗传算法与人工神经网络相结合的模型在电力系统短期负荷预测中的应用研究

利用神经网络和遗传算法的优点,建立了一种新型的神经网络和遗传算法相结合的模型来进行电力系统的短期负荷预测。在对负荷变化规律分析的基础上提出了按日期类型分开建模的24小时预测模型,并对天气因素进行了有效处理。建立了具有灵活友好的用户界面和完善功能的负荷预测软件。实例表明人工神经网络和遗传算法相结合的模型在实际应用中有令人满意的预测效果。     

一种简化的电力系统负荷线性组合预测法

负荷是电力系统运行和规划的依据,精确的预测可提高系统运行的可靠性和经济性。作者将电力系统负荷预测的三种主要方法,即外推法、灰色预测法和人工神经网络法结合起来,建立了一种线性组合预测模型。在组合模型的权重系数求解中,首先对目标函数和等式约束使用拉格朗日乘子法来求解权重系数。当出现小子零的系数时,改为只使用误差矩阵的对角元素来计算,这种近似对预测精度影响较小,但简化了计算,且保证了组合系数大于零的条件。由于组合模型的总平均误差要小于各单一预测方法的平均误差,这就提高了预测精度,尤其组合模型的最大预测误差要小于单一模型的最大预测误差,从而降低了预测的风险性,实例证明这种组合模型具有较好的实用性。     

Daily peak electric load forecasting using an artificial neural network and an improvement method for reducing the forecasting errors

This paper proposes a forecasting method for shortterm peak electric loads using a 3-layer neural network of locally active units. Each unit in the hidden layer of the neural network is activated only by input vectors in a bounded domain of vector space. This characteristic enables additional learning. Furthermore, it is supposed to provide the network structure with information that helps to improve forecasting accuracy. The neural network is applied to daily peak load forecasting simulations in summer. The results show that the proposed method is superior to a conventional neural network with the backpropagation algorithm. To make the best use of the neural network, an error-oriented method of parameter modification is also examined.     

混沌递阶遗传神经网络在组合预测中的应用

分析了几种常见的组合预测方法,针对这些方法的缺点,提出了混沌递阶遗传神经网络的组合预测方法,通过实际应用,并与基于人工免疫算法组合预测和基于标准BP神经网络组合预测进行了比较,表明了方法的有效性和实用性.     

基于油色谱数据的变压器状态智能诊断方法

利用变压器的油色谱试验数据对神经网络进行训练,将训练后的神经网络用于变压器的状态诊断。同时利用遗传算法优化神经网络的结构。算例结果表明,利用遗传算法和神经网络相结合的人工智能方法可以有效地诊断变压器的状态。     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预 .采用了改进的BP学习算法 ,以提高训练的收敛速度 .预测仿真结果表明 ,所设计的神经网络是可以进行短期负荷预测的     

优化组合预测的设计与分析

阐述了组合预测方法的基本原理,并从理论上论证了组合预测方法相对于单一预测模型的优越性。针对以往的组合预测模型最优权重不能保证非负性的问题,提出了一种新的基于前向神经网络模型的最优权重确定方法,并引入了神经网络优选组合预测模型。通过分析和比较,此模型具有很强的自适应性和较高的预测精度。