基于MCS-RELM的网络安全态势预测模型

为了提高网络安全态势的预测准确性,提出一种改进布谷鸟搜索算法和正则极限学习机相融合的网络安全态势预测模型。首先将一维的网络安全态势数据重构成多维时间序列,然后将训练样本集输入到正则极限学习机进行学习,并采用改进布谷鸟搜索算法优化输入权值和隐含层阈值,建立网络安全态势预测模型,最后采用Honeynet数据集对模型性能进行测试。结果表明,相对于其它网络安全态势预测模型,本文模型可更加准确描述网络安全态势的变化趋势,不仅提高了网络安全态势预测准确性,而且加快了建模速度,可以满足网络安全态势在线预测要求。     

基于改进极限学习机的中长期电力负荷预测

根据神经网络的非线性辨识能力和极限学习机(ELM)的高计算速度、高泛化能力等特点,提出一种批处理和逐次迭代相结合的改进极限学习机方法。实验结果表明,改进的极限学习机方法应用于中长期的电力负荷预测中,比传统的极限学习机效果更优。     

基于耿色等维新信息GM（1，1）模型的电力负荷预测

根据电力负荷的特性,将灰色等维新信息GM（1,1）模型的建模方法引入到电力负荷的预测中,建立相应的预测模型。并建立起一套系统的电力负荷预测方法,为城市电力资源规划提供决策参考,具有理论和实践意义。     

基于灰色等维新信息GM(1,1)模型的电力负荷预测

根据电力负荷的特性,将灰色等维新信息GM(1,l)模型的建模方法引入到电力负荷的预测中,建立相应的预测模型。并建立起一套系统的电力负荷预测方法,为城市电力资源规划提供决策参考,具有理论和实践意义。     

PSO-LSSVM的电力负荷预测研究

对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。     

基于改进的模糊C均值算法电力负载预测研究

为了提高电力负荷预测的精度,将天气、日期因素纳入到了计算的范畴中来,使用基于模糊聚类的对相似日进行选取,得出该日的短期电力负荷预测模型。本文算法将天气、日期因素建立起模糊系数特性映射表,实现了对应影响因素的量化处理,便于算法的实现。然后,使用模糊聚类算法对相关的数据进行分类,因为使用了相似日,因此,样本的数量得以大大减少,提高了算法的速度和准确度。本文的是力负荷模型将天气、日期考虑进了电力负荷预测影响的因素中去,减少了算法在预测上的随机性。仿真实验结果证明了该算法拥有更高的预测精度。     

基于高维数据和深度学习的短期电力负荷预测

精确高效的短期电力负荷预测在现代化电网建设和资源分配上具有重要的作用和研究意义.随着水电、风电等新能源逐渐接入,电网中数据维度飞速增长,面对具有海量特征的高维数据,短期电力负荷预测技术面临着重大的挑战.传统的短期电力负荷预测技术仅关注了某些特定的特征,因此很难对电力负荷数据在时间维度进行建模;基于循环神经网路的方法虽然...     

基于长短期记忆神经网络的短期负荷预测方法

为了能够挖掘出海量数据中蕴含的有效信息,提高短期负荷预测精度,本文提出了具有深度学习能力的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型进行短期负荷预测,深度学习顺应了大数据的趋势,对海量数据学习、泛化能力强。利用主成分分析方法对样本进行选择,进而建立LSTM预测模型。仿真结果表明,采用LSTM预测模型相对于BP神经网络模型提高了预测精度。     

一种基于改进GM(1,1)模型的短期电力负荷预测算法研究

针对已有GM(1,1)灰色预测模型在数据波动、突变、转折等不确定情况下预测精度较差的问题,本文提出一种基于关联系数分析的分段多方案优选组合短期电力负荷预测模型.基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,通过对预测日的灰关联分段和优选组合,避免由于初始条件选择不当而将误差引入模型并随之被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响.经南方电网广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显的提高,完全可满足该地区短期电力负荷预测的实际要求.     

改进神经网络与小波分析结合的电力负荷预测方法研究及应用

本文充分考虑神经网络与小波分析的结合建立改进神经网络与小波分析结合的电力负荷预测模型,系统的不同输入数据通过不同的子模块预测,最终以预测结果初始化作为出口.输出的结果可以通过判断模块后再次作为负荷预测子系统的部分输入数据重复预测.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

内蒙古电网负荷建模方案分析

一、电力负荷建模的重要性正确的电力负荷模型是进行电网潮流计算与稳定分析的基础。近年来,许多电网出现的仿真计算与实际不符、稳定问题不能正确预测、事故追忆无法正确再现等多与负荷模型的确定相关。资源、环境的压力正迫使电力系统运行到接近稳定极限     

基于GRU神经网络的供热负荷预测研究

供热负荷预测是实现智慧供热的关键技术之一,对降低供热能耗具有重要意义。本文以开封市J集中供热系统某换热站的2020年供暖季历史供热数据为研究对象,设计了基于门控循环单元(gate recurrent unit, GRU)神经网络的短期供热负荷预测模型。将1次侧供回水温度、室外温度、风速、天气情况、流量作为输入变量,供热负荷作为输出变量,前70%的数据作为训练集,后30%的数据作为测试集。通过MALTAB进行仿真模拟,并与传统的BP神经网络、Elman神经网络进行对比分析。仿真结果显示GRU神经网络预测模型MAPE为3.94%,RMSE为76.77,预测效果最佳。     

电力系统负荷预测技术

随着21世纪的科技发展,电力负荷预测的核心问题是预测模型的水平高低。科学、准确的电力负荷预测将更有利于提高电力系统运行的经济性和安全性。结合工作实际,针对电力系统负荷预测技术进行了阐述。     

多核极限学习机算法仿真实证研究

给出了标准极限学习机的回归模型,根据现有单核极限学习机回归能力的不足,提出了多核极限学习机,对多个不同的核函数根据实际情况进行加权组合,充分利用不同核函数的特有优势,对所给的样本进行充分分析,进而提高函数的逼近精度,通过仿真实例证实了所提方法的有效性。     

提高电力系统日前负荷预测准确率的方法浅析

电力系统日前负荷预测关系到电力系统的调度运行和生产计划,准确的日前负荷预测有助于提高电网运行的安全性和稳定性,能够节约发电成本。随着电力市场的建立和发展,短期负荷预测将发挥越来越重要的作用。文中系统分析了电力系统日前短期负荷预测的相关方法,包括短期负荷预测传统方法、短期负荷预测智能方法以及短期负荷预测最新方法,对各种不同方法的基本原理和优缺点进行了描述。提出提高短期负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的预测模型,综合预测模型是未来电力负荷预测方法的发展方向。     

基于混合核函数的极限学习机遥感图像分类

针对遥感影像数据集庞大,地物复杂难辨等特性导致分类难度加大的问题,文中构建了一种基于混合核函数极限学习机的遥感图像分类方法。运用该方法对遥感图像数据集进行分类处理,并将其与单核极限学习机、无核极限学习机、支持向量机等方法进行了对比。实验结果表明,基于混合核函数的极限学习机在对遥感图像进行分类时,其总体精度更优,且一致性效果更好。     

电力系统短期负荷预测分析

电力系统短期负荷预测对电力系统可靠、安全、经济运行具有重要作用,它涉及到电力系统的日常运行和计划,是电力部门的一项重要工作。文章针对短期电力负荷变化的复杂性,分析了电力负荷的构成特点和负荷值变化的原因;将负荷突变值和平稳值采用平均值的方法求出接近的真实值,建立负荷短期预测模型,再输入历史负荷（常规）数据、天气状况的历史数据和特别事件预测数据,得到负荷短期预测值。     

多状态下分布式能源运行在线监测方法研究

传统的分布式能源运行在线监测方法对于高维非线性数据,存在判别数据能力较差,采集时容易出现数据混淆现象.为此,设计多状态下分布式能源运行在线监测方法.利用Labview提供的选项卡控件采集分布式能源运行数据,通过构造的最优分类面分类处理运行数据样本,确定合适的核函数,使线性决策函数保持稳定,分类完成后,通过选项卡控制分布式能源运行参数监测界面完成监测.测试结果表明:对于高维非线性数据,与传统的监测方法相比,该监测方法不同的数据区域之间没有出现交集,未发生数据混淆现象,数据判别能力较强,适合应用在分布式能源运行在线监测中.     

电力负荷预测方法在配网规划中的应用

电力负荷的预测方法基本上可以分为两种,一种是从对电量的预测,一种是对现有的负荷密度进行计算,通过对这两种数据的推算来获得电力负荷预测结果。本文具体介绍了电力负荷预测的运行基础,并进一步阐释了七种电力负荷预测在配网规划中的运用方法。     

基于支持向量机的外贸出口预测

针对支持向量机(SVM)方法所具有的拟合精度高、推广能力强、全局最优且针对小样本等特点,本文将SVM回归建模方法引入到外贸出口预测中,对出口时间序列建立预测模型,并利用此法对重庆摩托车出口进行了预测,对其预测性能进行了验证比较。结果表明,SVM方法对非平稳的小样本出口时间序列数据有良好的建模和泛化能力,且可达到较高的预测精度。