基于GCA-MVO-ICA优化BP的负荷预测研究

为提高微网负荷预测的精度,提出来一种利用灰色关联度分析优化BP神经网络优化输入层数据,利用新型的多元宇宙算法优化隐含层权重,采用帝国竞争算法优化输出层结果的逐层优化模型,对2组实测数据算例分析。结果表明,所提GCA-MVO-ICA优化BP网络的方法能够提高微网负荷的预测精度,并且具有较好的普适性。

基于GRA-IGA-BP的输电线路负荷预测

针对输电线路负荷预测模型中参数选取困难以及在确定影响因素时主观性较强导致预测精度低的问题,提出一种考虑灰色关联权重分析与IGA-BP模型相结合的输电线路负荷预测模型。该预测模型首先采用灰色关联分析对影响输电线路负荷的因素进行相关性分析,提取权重较大的特征,从而降低模型的复杂度;其次,将Tent映射加入到遗传算法的初始种群中,用于生成分布均匀的混沌序列;最后,基于改进的遗传算法寻优BP模型的权值和阈值,得到最优的IGA-BP输电线路负荷预测模型。基于实际输电线路负荷数据,进行IGA-BP预测模型与传统BP、GA-BP预测模型对比实验。实验结果表明,基于IGA-BP的输电线路负荷预测精度高达91.789%,远高于BP和GA-BP算法,对输电线路负荷预测能力明显提升。

基于萤火虫算法与BP神经网络的电力系统短期负荷预测

随着社会生活的不断发展,人们日常生活质量的不断提高,电力的使用在日常生活中愈发广泛,在用电需求不断增大的同时,对于电力系统的稳定性和电力调度的精确性也提出更高的要求.在此背景下,精确的电力系统短期负荷预测方式具有重要的实际意义,可以合理地为电力调度提供保障.在实际情形下,许多变量因素也会对发电量产生影响,因此仅使用历年同期发电量数据作为原数据进行预测难以保证预测结果的精确性.本项目创新地将主成分分析运用于数据预处理,并将萤火虫算法与BP神经网络相结合,将温度、湿度、空气质量等重要影响因素纳入负荷预测的考虑范畴并进行预测.根据均方误差结果可知,运用主成分分析将重要变量因素(如温度、湿度)纳入预测范畴能够有效提升负荷预测的准确性.

结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法

为向负荷预测模型提供准确可靠的相似日训练样本集合,针对现有聚类算法在初始聚类中心选取方面的不足,提出了一种基于数据中心度的改进聚类算法,并搭建集数据筛选、聚类、优化、训练、预测为一体的日最大负荷预测模型.首先,基于各被聚类对象的中心度,选取聚拢效果最好的对象作为第一个聚类中心代入Canopy算法,形成初始聚类中心集合;然后,采用K-means聚类算法,得到不同类别相似日的训练样本;最后,利用PSO-GA-BP神经网络算法搭建日最大负荷预测模型进行预测分析.算例对某地区2011—2012年日最大负荷开展预测分析,结果表明:所提方法在聚类指标与预测指标上均具有一定优越性,具备一定实际工程应用价值.

改进粒子群-BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。

基于MEA优化BP神经网络的天然气短期负荷预测

天然气负荷中包含大量非线性因素,单一的神经网络很难达到理想的预测精度,为了提高预测效果,提出了一种思维进化算法(MEA)优化BP神经网络智能预测模型。利用MEA的全局搜索性对BP神经网络的权值和阈值进行优化,避免了单一BP网络的局部最优和过拟合等缺点,然后建立最优预测模型。将这种组合模型应用于银川某县的天然气负荷预测,结果表明该组合模型具有更优的非线性映射能力和更高的预测精度。

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。

基于粗糙集和BP网络的微网短期负荷预测

结合粗糙集和BP神经网络两种智能控制算法提出了微网短期负荷预测模型。首先将影响微网负荷的气象和日类型等因素利用粗糙集建立历史数据属性决策表,通过属性约简算法对其进行属性约简,找到影响微网负荷的核心因素,然后将该核心因素作为BP神经网络的输入量对微网负荷进行预测。BP网络具有收敛速度慢和易陷入局部最优等缺陷,据此提出一种基于模拟退火遗传算法优化的BP神经网络新模型。实验表明,采用粗糙集和改进BP神经网络的新模型对微网负荷进行预测取得了良好的效果,证明了该方法的有效性。

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法，并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点，负荷预测结果的相 对误差小于3．63%。

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。

L-M优化BP算法在短期负荷预测中的应用

在分析传统BP算法的不足的基础上,提出了将Levenbery-Marquardt优化法与神经网络模型相结合的L-M优化BP算法。此方法与传统算法相比学习速度得到了提高,网络的收敛加快,尽量避免了系统陷入局部最小;针对某电力局某地区的单条线路的实际数据,采用基于Levenbery-Marquardt优化的BP算法的神经网络模型对其进行了仿真,结果表明该方法具有较高的预测精度和较强的适应能力。

基于Bagging算法和遗传BP神经网络的负荷预测

负荷预测是电力规划的基础,传统的神经网络预测方法存在对初始网络权值设置敏感、收敛的速度慢、容易陷入局部极小值等缺点。文中引入遗传算法先对神经网络的初始值进行优化,再通过神经网络进行学习和训练,得出的结果再经Bagging方法集成,目的是提高其准确率。通过Matlab仿真进行实验,结果表明,基于Bagging算法集成遗传神经网络,能够克服传统BP神经网络的缺点,可较快收敛又不易陷入到局部极值中,具有较强的泛化能力,同时也大大提高了网络的预测精度。

专家系统与BP神经网络相结合的短期负荷预测

研究了专家系统结合神经网络BP算法在短期电力负荷预测中的应用。对神经网络BP算法进行改进,使用BP算法对咸阳电网实际负荷数据进行预测,并将预测值与实际负荷值进行比较,总结其长期的发展变化规律。同时汲取有关专家学者和专业预测人员的经验知识,形成一系列的规则集,从而模拟人类专家的决策过程进行推理和判断,形成一个专家系统,以此来改进采用单一BP算法进行预测的种种不足。结果表明,经验知识越成熟,推理规则越完备,对提高预测精度越有利,对神经网络BP算法的预测值进一步修正的可能性越大。

基于BP神经网络系统的短期电力负荷预测

以河南某地区电网2009年和2010年的电力负荷数据为基础,设计了一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,在不考虑温度影响情况下,采用BP神经网络对该地区短期电力负荷进行预测.探讨了负荷预测模型分类模式,对应用于实际的BP神经网络算法进行了具体处理.结果表明,基于BP神经元网络的短期电力负荷预测方法具有精度高的特点,取得了均方根误差小于3.02%的精度.

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解（VMD）和萤火虫算法优化BP神经网络（FABP）的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵（SE）对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。

基于EMD与GA-BP神经网络的短期负荷预测

为了提高具有随机性和复杂性的电力负荷预测精度,提出了一种基于EMD与GA-BP神经网络的短期负荷预测。该方法利用EMD的优点,将原始电力负荷序列分解为若干个IMF分量和余项。针对BP神经网络训练时间长,且容易陷入局部最小的缺点,利用遗传算法优化了BP神经网络,替代了传统的BP算法。最后通过分析各个分量的自身特点,分别构建不同的BP神经网络模型,对各分量分别进行预测,相加各分量预测值,得到了最终预测结果。实例验证表明,与EMD-BP预测方法相比,该方法具有较高的负荷预测精度和较强的适应能力。