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。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法.该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测.在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度.通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度.     

一种基于多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型.该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力.为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络,采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值.仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型.     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。     

一种基才多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型。该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力。为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络．采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值。仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于卡尔曼滤波的风速序列短期预测方法

分析了卡尔曼滤波在风速序列预测分析中的应用机理,构造了用于风速序列预测分析的迟滞神经网络,并采用卡尔曼滤波方法将其与ARMA模型相融合,实现了风速序列的混合预测。通过修改激励函数的方式将迟滞特性引入神经网络,网络的权值采用梯度寻优的方式确定,迟滞参数利用遗传算法进行确定。系统的状态方程采用ARMA模型建立,将迟滞神经网络对风速序列的预测结果作为测量方程的测量值。混合预测方法能减小单一预测机制造成的同一性质误差的累积。仿真实验结果表明,迟滞神经网络的预测性能优于传统BP神经网络,而混合预测方法的预测性能优于单一预测方法。     

短期风速的Adaboost_GRNN组合预测模型

对风电场风速进行准确预测对于风能的开发利用具有重要意义。为了克服单一预测方法的局限性并进一步提高预测精度,提出了基于Adaboost算法和广义回归神经网络的短期风速组合预测方法。首先,分别采用时间序列法、支持向量机法和神经网络法建立3种风速预测模型;其次,采用广义回归神经网络将这3种单一模型的预测值进行非线性组合;最后,利用Adaboost算法集成多个广义回归神经网络的输出并将其作为高精度的风速预测值。算例测试结果表明,所提组合方法的预测精度高于各个单一模型以及熵权法组合模型和广义回归神经网络组合模型的预测精度。     

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。     

基于组合预测的风电场风速及风电机功率预测

风电场风速及风电机功率预测的准确性对接入风电场的电力系统运行有重要意义.文中提出一种基于相似性样本的多层前馈(BP)神经网络风速预测方法,利用风速季节性周期变化的特点提高风速预测的准确性;结合时间序列分析与灰色预测方法研究了应用组合预测方法进行风电场风速预测,并在风速预测的基础上讨论了风电机功率预测.通过对国内某地区的实测风速数据分析,验证了该预测方法能够提高风速预测的准确性,具有较大的实用价值.     

时间序列与神经网络法相结合的短期风速预测

利用时间序列－神经网络法研究了短期风速预测。该方法用时间序列模型来选择神经网络的输入变量,选用多层反向传播(back propagation,BP)神经网络和广义回归神经网络(generalized regression neural network,GRNN)分别对采样时间间隔为10 min、20 min和30 min的风速序列进行预测。结果表明,时间序列结合GRNN的方法精度更高,具有一定的实用价值。     

风电功率短期预测及非参数区间估计

为满足电网规划的要求,风电功率预测系统不仅需要提供确切的预测值,还应该对预测值包含的风险做出合理的评估。利用人工神经网络预测风速、风向,并根据实测功率曲线获得风电功率预测值。分析了造成风电功率预测结果不确定的影响因素,提出一种基于预测误差分布特性统计分析的非参数置信区间估计方法,对各功率分区内的预测误差概率密度函数进行建模,并在确定性预测基础上求取概率性风电功率预测值。仿真结果验证了该方法的实用性与有效性。     

应用粒子群优化算法的短期风电功率预测

根据数值气象预报的风速和风向数据,采用粒子群优化的前向神经网络模型进行短期风电功率预测。分析了数据相关性对预测结果的影响,比较了粒子群优化前后的前向神经网络模型的性能。研究结果表明,经过粒子群优化后的前向神经网络模型比没有优化的前向神经网络有更好的性能,且根据数据相关性较好的测试样本可得到较好的预测结果。风速风向数值预报与输出功率的相关系数越高,基于粒子群优化前向神经网络模型的预测精度越高于没有优化的前向神经网络模型。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

基于Adaboost的BP神经网络改进算法在短期风速预测中的应用

进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。     

基于RVM与ARMA误差校正的短期风速预测

为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。