基于粒子群算法与循环神经网络的短期电力负荷预测

针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷,提出了基于粒子群算法和循环神经网络的预测方法|针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷,提出了合理粒距的概念,生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优,以测量值与预测值的误差作为评价依据,从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测,并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明,这种预测方法具有良好的收敛特性和较高的预测准确度。     

基于 DPSO-BP 网络模型的短期电力负荷预测

为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型.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     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。     

灰色理论在短期电力负荷预测中的应用

讨论了GM（1，1）及其改进模型在短期电力负荷预测中的应用，提出了适合电网特殊日电力负荷预测的数据处理方法，提高了预测的精度。     

基于神经网络的电力负荷预测系统设计

应用RBF(Radial Basis Function, 径向基函数)人工神经网络进行电力系统短期负荷预测.考虑了天气、经济、节假日等因素对电网负荷的影响,将负荷按照每周各日分类,共七种模式,学习样本选取每周中的相同类型日.在预测前还对原始数据中的伪数据进行剔除,提高了预测的精确度.利用从湖南省双峰电力局收集到的负荷数据进行网络模型的训练,所得结果表明了RBF网络对于负荷预测是有效性的.     

基于BP神经网络的智能电网短期电力负荷预测

当前现有预测方法对智能电网短期时间内的电力负荷预测存在预测精度低、预测精度受气象条件变化影响等问题,现引入BP神经网络研究智能电网短期电力负荷预测方法：获取智能电网历史运行数据,对数据进行预处理,对样本进行归一化处理;利用BP神经网络构建电力负荷预测模型;建立模型训练网络拓扑结构,训练模型预测性能;完成电网短期电力负荷预测,并在考虑气象因素的情况下对预测进行补偿,得到预测结果。实验证明：新的预测方法在实际应用中预测精度更高,且预测精度不会受到气象条件的影响。     

基于MEEMD加窗改进方法与GRNN组合的电力负荷预测

针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。     

基于BP人工神经网络电力负荷预测

由于影响电力负荷的因素之间存在着非线性,所以采用神经网络方案来进行短期电力负荷预测.对应用于实际的神经网络算法进行了具体处理,如数据的归一化,输入向量和输出向量的选择.仿真结果表明其有较好的预测精度.该模型具有网络结构较小、训练时间短、易于实现的优点.