基于Kalman滤波的神经网络学习算法及其应用

针对传统神经网络学习算法速度慢、容易陷入局部最优解的缺点 ,将卡尔曼滤波应用于人工神经网络的训练算法中。同时 ,在卡尔曼滤波计算中 ,将奇异值分解应用于卡尔曼滤波的递推公式中 ,提高了协方差阵计算的数值稳定性。最后 ,本文通过将神经网络的卡尔曼滤波算法应用于电力系统短期负荷预测中 ,验证了该方法不仅具有理论意义 。

一种改进的小波-卡尔曼配电网短期负荷预测方法

为了解决已有的基于小波-卡尔曼滤波的短期负荷预测方法由于未考虑温度积累效应而在温度变化较大时预测误差偏大的问题,提出了一种改进方法:将日负荷表示为日平均负荷与波动部分的乘积,对日平均负荷和波动部分分别进行预测。提出了一种利用人工神经网络预测平均负荷的新方法:将日平均负荷表示为温度敏感分量与平稳的温度不敏感分量之和。温度不敏感分量根据温度不敏感季节同时期的若干负荷数据统计得出。根据前若干天的温度敏感分量值、温度信息以及预测日的温度信息,采用BP网络构成的负荷预测器,得出预测日的温度敏感分量的预测值。对于波动部分沿用基本的小波-卡尔曼滤波的方法,在对波动部分进行多分辨分析的基础上,将小波系数作为状态变量,利用卡尔曼滤波算法得出波动部分的预测值。实例分析表明,提出的改进方法显著提高了预测准确性。

基于卡尔曼滤波的短期负荷多步预测修正模型研究

提出了一种短期负荷多步预测的修正方法。首先采用BP神经网络法建立短期负荷的分时多步预测模型,对于每一个初始预测值,采用卡尔曼滤波模型进行修正,以减少模型的累积误差,提高多步预测的效果。算例结果证明了所提方法不仅能够提高单步预测的预测效果,而且能够有效降低多步预测的误差,对于实现连续日短期负荷预测具有现实意义。