基于遗传算法优化神经网络的建筑物电力负荷预测

对建筑物电力负荷进行准确有效的预测,是进行电气设计和节能改造的基础和前提,也能为电力部门制定电力规划提供依据。本文通过建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题,并利用遗传算法强大的全局搜索能力对所建网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使得预测更为精准。最后通过MATLAB进行仿真实验,验证了此法的可行性。

基于GRA/EEMD-Informer混合模型的光储直柔配电系统多数据预测方法

针对现有时间序列模型预测光储直柔配电系统短期发用电数据精度不高的问题,提出一种基于灰色关联度分析/集合经验模态分解(grey relation analysis,ensemble empirical mode decomposition,GRA/EEMD-Informer)的光储直柔配电系统多数据预测模型,通过灰色关联度分析、模态分解,结合自注意力蒸馏机制,有效捕捉输出和输入之间较精确的长程相关性耦合,降低了时空复杂度,极大缓解了传统编解码的局限性。将已建成并投入使用的光伏发电站某月数据、典型办公建筑某月电力数据及电动汽车充电站运行数据作为原始数据,以均方误差、平均绝对误差、均方根误差作为评价指标对模型进行检验,并进行消融实验与分析,最后与长短期记忆网络(long short-term memory,LSTM)、基于粒子群优化(particle swarm optimization,PSO)算法的长短期记忆网络(PSO-LSTM)、Transformer时间序列预测方法对比,结果表明该方法的拟合程度明显高于其他预测方法,验证了GRA/EEMDInformer算法对提高预测能力的有效性和实用性。