利用神经网络PRPE算法进行短期负荷预报

本文根据神经网络的并行递推预估误差训练理论,建立了一种负荷预报的新算法——PRPE预报算法。该算法属利用多层前传网进行负荷预报的范畴,由于该算法有效的权重训练方式,使其收敛速度大大高于传统的BP算法。尽管该算法的训练过程比较复杂,但对于时段负荷预报这类单输出系统,总体训练时间较BP算法成倍减少,且预报精度较高。可用于在线短期负荷预报。     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷 ,如训练速度慢 ,易收敛于局部极小点及全局搜索能力弱等 ,利用遗传算法能够进行全局最优化搜索这一特点 ,提出了一种新的用于BP网络训练的混合算法 ,即遗传算法与改进的BP算法相结合的混合训练方法 .将所提出的混合训练方法应用于神经网络式电力负荷预测中 ,结果表明 :所提出的算法与单一的BP算法相比 ,不仅可避免陷入局部极小点 ,而且提高了网络的训练速度和负荷预测精度     

动量自适应学习速率梯度下降法神经网络电力负荷预测

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定,是电力负荷预测的重要组成部分。利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测。在标准的BP网络中加入了动量项和自适应学习速率,预测结果表明比标准BP算法具有更好的性能。在相同的情况下,连续预测六天的负荷和一年的负荷,结果都证明了研究方法具有一定的实用性。     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态SOC(state of charge)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播BP(back propagation)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络的初始权值及阈值,优化后的BP网络简称SAMEA-BP神经网络。结合充放电实验数据,将SAMEA-BP神经网络与标准BP神经网络、思维进化算法优化的BP(MEA-BP)神经网络用于锂离子电池的SOC估计,并对3种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。