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。     

基于小波神经网络的电力负荷预测

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文分析了小波神经网络的特点,建立了电力负荷的小波神经网络预测模型,设计了小波神经网络结构,给出了小波网络参数调节算法。对实际电力负荷预测算例,以及与BP网络的对比研究实验表明,小波神经网络对非平稳信号能进行有效地预测,比BP神经网络具有更高的预测精度。     

基于小波网络的电力系统短期负荷预报研究

本文结合小波和神经网络方法进行电力系统短期负荷预测的通用模型和方法的研究,建立了负荷预报的小波网络模型,确定了有效的算法求解小波函数线性组合的尺度和时延参数以及神经网络的权值。     

多分辨正交多小波神经网络在变形预测中的应用

将多小波与神经网络结合建立了一种新的变形预测方法:多分辨正交多小波神经网络变形预测模型,通过理论分析和变形预测实验表明该方法较单小波神经网络具有更高的精度,更快的速度.     

基于改进集成学习的交直流配电系统短期负荷预测方法

交直流(AC/DC)配电系统中的负荷类型更加多样化和复杂化,因此负荷变化规律也更加难以掌握,精确的负荷预测对AC/DC配电系统的调度非常重要.针对神经网络、灰色理论和支持向量机等传统的短期负荷预测方法存在的预测精度不高的问题,本文采用改进集成学习算法对传统的预测方法进行改进,提出了一种基于浅层神经网络的梯度提升算法(GBSNN)以及基于长短期记忆网络的极度梯度提升(XGBLSTM)算法.同时,本文采用Huber函数作为预测模型的损失函数,该函数对异常的负荷数据具有很强的鲁棒性,可以有效减小模型的泛化误差.最后通过仿真分析证明本文提出的基于GBSNN和XGBLSTM的短期负荷预测方法比其他方法具有更高的预测精度,在AC/DC配电系统负荷预测中具有更好的效果.     

人工神经网络在电力系统短期负荷预测中的应用

本文基于多层前馈神经网络误差反传（BP）模型的电力系统短期负荷预测的方法。根据电力系统短期负荷变化的特性建立了既反映电力系统负荷连续性、周期性及其负荷的变化趋势,又包含天气变化对系统负荷的影响的日负荷模型,以此作为对BP神经网络进行训练的向量样本集。实例表明ANN应用于电力系统短期负荷预测是可行的,其预报结果比传统的负荷预测方法更准确。     

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。     

基于温湿持久度的短期系统负荷预测研究

大型城市供电企业负荷主要由第三产业负荷、居民生活负荷、行政事业单位负荷、企业的生产负荷构成,受季节、天气影响很大,具有与大电网系统显著不同的特征.本文结合目前短期大城市电力负荷预测的现状及各种预测算法的基础上,针对近年来,第三产业负荷、居民生活用电在大城市核心区总用电量中所占的比重提升较多的情况,结合北京朝阳地区电网运行实际,提出把温湿持久度作为影响地区负荷预测的主要影响因素,进行计算形成数据对比模型.     

基于LSTM的微电网短期负荷预测研究

微电网系统中发电功率和负荷功率不匹配将会对其稳定性造成不利影响,为了准确预测微电网系统的短期负荷变化趋势,保证微电网可靠安全运行,文章提出了一种基于单变量单时间步长短期记忆神经网络(Long short-term memory,LSTM)的微电网短期负荷预测方法,该方法利用LSTM擅长处理时序性数据的能力,首先使用微电网负荷的历史数据进行模型训练,然后使用前一个采样点的数据去预测下一个时刻的数据.利用上述方法搭建了基于Keras的单变量单时间步长LSTM微电网短期负荷预测模型,使用某地各大区用电量进行负荷预测,实验结果跟实际用电量的平均绝对误差百分比为1.46％,取得了良好的预测精度,验证了该方法的有效性.     

电力负荷预测的方法研究

介绍了负荷预测的基本概念和方法,并采用趋势分析法、回归分析法、单耗法、弹性系数法、负荷密度法、神经网络法、灰色系统法对包头城区的负荷进行预测,分析各种预测方法的预测结果,并采用组合预测法将负荷的实际值和预测值进行对比,最后提出优选组合预测法具有较好的预测效果。     

多分辨正交多小波神经网络在变形预测中的应用

将多小波与神经网络结合建立了一种新的变形预测方法:多分辨正交多小波神经网络变形预测模型,通过理论分析和变形预测实验表明该方法较单小波神经网络具有更高的精度,更快的速度。     

基于BP神经网络的电力系统负荷预报

研究了基于BP网络在中电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

准确把握电力负荷发展规律切实做好电力负荷预测工作

基于电力负荷预测的方法,综合分析了经济发展水平、人民生活水平、电力消费结构和气温气候等主要因素对电力负荷预测的影响。结合新疆电力负荷预测的特点,提出做好新疆电力负荷N~,l-z-作的几点建议。为避免因电力负荷预测误差过大造成严重后果,准确把握电力负荷发展规律,提高电力负荷预测准确率水平,提升电力负荷预测的专,Jk4Jc水平,本文在基础数据准确性、数据库完备性、降低大用户电力负荷波动影响和完善电力负荷预测管理水平等方面进行了详细的阐述。     

基于混沌理论和小波变换的电力系统短期负荷预测方法

文章首先对目前电力系统负荷预报理论和方法进行了全面回顾和评述,重点介绍了混沌理论的发展及应用现状.结合混沌时间序列的分析方法,在对现在广泛应用于电力系统短期负荷预测的混沌方法研究的基础上,提出了将混沌预测技术与小波奇异性检测和消噪结合提高预测精度的方法.     

基于BP神经网络的高血压诊疗预测分析

本文对72例高血压临床数据展开研究,通过BP神经网络结合临床数据中包含的中医西医的检查结果,对高血压病诊断结果的等级分层和用药情况进行预测分析,通过对10例预测样本分析,达到了88%的准确度,并对不同的BP神经网络函数进行比较,找到效果更优的函数设置。     

内蒙古西部电网负荷预测的方法分析与动态组合预测

本文通过负荷预测方法的分析和动态选择和组合预测，使预测贴近电网的实际，从而使各种修正系数的加入让现有负荷预测与实际负荷的偏差降到最小。     

基于BP神经网络的电力系统负荷预测

短期电办负荷存在着未知不确定因素和周期性变化的规律,负荷曲线具有相似性;同时受特殊情况的影响,呈现强烈的非线性特性。而神经网络具有较强的非线性映射特性,本文期BP神经网络对电力负荷进行matlab仿真预测。     

呼和浩特电网规划分析

根据多种负荷预测方法,对呼和浩特地区＂十二五＂的负荷情况进行了分析预测,最终确定了高中低三种负荷方案,结合负荷的预测结果和现有电网结构提出了呼和浩特电网＂十二五＂末的网架。     

时序与回归预测方法比较研究

基于神经网络的时序和回归预测方法,对同一数据建立BP、RBF神经网络及小波神经网络(WNN)模型,分别采用两种方法预测,比较实验结果,指出各自的优点和存在的问题。仿真实验表明回归预测法高于时序预测精度,但回归预测法要求一定规模的数据且规律性好,它需提供各影响因子数据才能进行并行递推预测;时序预测一般精度较差,但数据采集方便,其可行性和实用性好,适用于数据信息少的环境等特点。     

基于小波神经网络的电力系统负荷预测

文章在介绍神经网络模型构成原理的基础上,针对传统模型在对非线性序列进行预测时速度慢、容易陷入局部次最优的缺点,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型,并分析了小波神经网络在电力负荷预测领域的研究和应用现状。