共查询到20条相似文献,搜索用时 14 毫秒
1.
2.
针对光伏系统的发电特性及影响光伏发电的因素,建立基于混沌自适应粒子群优化算法的反馈型神经网络短期发电量预测模型。该预测模型利用混沌自适应粒子群优化算法的全局优化能力初始化反馈性神经网络权值和阈值,可以克服反馈型神经网络收敛速度慢俄且易陷于局部最优等缺点。同时为提高预测精度,采用隶属度函数对温度进行模糊化处理。预测结果表明,建立的预测模型具有较高的精度。 相似文献
3.
4.
运用人工神经网络方法,以湖北省某电厂特定时间及段发电量为样本,进行未来发电量预测分析,结果证明其预测精度较高,人工神经网络应用于电厂发电量预测有广泛的实际应用前景。 相似文献
6.
为了能够有效地对风力发电系统的风速进行预测,研究了粒子群算法在其中的应用,介绍了风力发电系统风速预测的基本原理,讨论了RBF神经网络的基本理论,分析了粒子群的优化算法并且设计了粒子群优化算法的流程.最后,进行了风力发电系统风速预测的仿真分析,仿真结果表明该方法具有较高的预测精度。 相似文献
7.
8.
9.
10.
11.
光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。 相似文献
12.
13.
14.
针对传统小波神经网络初始参数设定困难、容易陷入局部极值的问题,提出一种基于自适应混沌粒子群算法(ACPSO)优化的小波链神经网络(WFLN)。首先,将小波神经网络与随机矢量函数连接网络相融合,构建小波链神经网络,加强网络并行运算能力;其次,在粒子群算法中引入混沌优化因子与自适应权重系数,改善粒子群的早熟收敛问题,实现全局与局部寻优能力的动态平衡;最后,利用ACPSO算法优化WFLN神经网络,建立短期风电功率预测模型。实验结果表明:ACPSO-WFLN风电功率预测模型较其它网络明显减少隐层神经元数目与迭代步数,具有较高的预测精度。 相似文献
15.
基于动态神经网络的风电场输出功率预测 总被引:5,自引:0,他引:5
随着风电的大规模发展,准确预测风电场输出功率对于风电场的选址、大规模并网及运行具有重要的作用。文中提出了局部反馈时延神经网络和全局反馈时延神经网络2种动态神经网络预测模型,以适应风功率的时间序列特性,并与静态神经网络预测模型进行了比较。以国内北方某风电场的风功率预测为例,结合气象预报数据进行提前24h的风电输出功率预测,仿真结果表明,动态神经网络在预测具有时间序列特性的风功率时效果优于静态神经网络。 相似文献
16.
17.
粒子群神经网络混合算法在负荷预测中的应用 总被引:4,自引:0,他引:4
电力系统负荷预测结果的准确性关系到电力系统的调度运行、生产计划和供电质量,为此在研究短期负荷预测中应用了粒子群PSO和BP神经网络相结合的混合算法。该算法先应用粒子群优化算法算出BP神经网络的连接权向量和阈值,每次迭代求出最优粒子的权向量和阈值及BP网络在这组权向量和阈值的实际输出值,最后得出第i个粒子的适应度函数。与其他方法相比,该算法预测精度较高:平均相对误差≤1.48%,最大相对误差≤4.10%,而且收敛速度快,预测结果满足短期负荷预测误差要求。 相似文献
18.
风力发电由于其清洁性、波动性、随机性及不稳定性,向电网输送绿色电能的同时也对电网的可靠运行造成了一定的冲击,因此风电发电量预测的准确性对电网科学合理调度、安全稳定运行具有至关重要的作用。以大数据分析、多学科交叉融合为背景,以负荷预测为基础理论,利用计量经济学分析方法对风电场月发电量数据进行分析、建模和预测。对辽宁地区某49.5 MW风电场月发电量数据进行收集整理,利用计量经济学分析软件EVIEWS对采样数据进行分析,并采用SARIMA模型对风电场月发电量数据进行拟合和预测,达到了较好的预测效果。 相似文献
19.
鉴于以往水库优化调度的求解精度受制于离散的密度的不足,引入可连续域寻优的粒子群算法,建立基于PSO水库优化调度模型,并针对粒子群算法易出现的收敛性差和处理约束问题困难等问题,提出了改进措施,并应用到水电站的发电量分析中。 相似文献
20.