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.     

面向对象的人工神经网络负荷预测遗传算法

用计算机集成智能技术进行负荷预测的遗传算法是在综合人工神经网络（ANN）和遗传算法（GA）的基础上形成的,这种模型在ANN和GA的基础上可以对未来24 h负荷做出短期预测.利用遗传算法可以求得最佳负荷和偏差,仿真结果表明这种方法是有效的.     

人工神经网络在中长期电力负荷预测中的应用

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,进行电力系统的中长期负荷预测.选取影响电力负荷的一些经济因素作为神经网络的输入变量,并对分别采用单个因素和多个因素的组合作为输入量对预测精度的影响进行了探讨.在多因素组合时对输入量进行了归一化处理.仿真结果证明,使用人工神经网络方法进行中长期电力负荷预测是可行和有效的.     

一种基于LSTM神经网络的电力负荷预测方法

设计了一种基于长短期记忆(LSTM)神经网络的电力负荷预测模型,在TensorFlow框架下使用Python语言编程实现;使用西班牙2018年一整年的电力负荷数据对模型进行训练,得到的模型可准确预测电力负荷数据的日变化、周变化规律,模型损失值可达0. 2,验证了模型的有效性;与RNN模型对比证明了LSTM模型的长期依赖学习能力更为优越。提出的模型是一种有效的电力负荷数据预测方法,可为电力系统的负荷预测提供依据。     

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Elman神经网络的空调负荷预测研究

为了更准确对空调系统负荷进行预测,文章在介绍Elman神经网络原理的基础上,对应用在处理动态数据模型上具有优越性的Elman回归型神经网络建立负荷预测模型,讨论了负荷预测模型中隐层神经元数目的选取,并对空调负荷值进行预测.同时也对静态前馈型BP神经网络进行建模和预测,比较两种预测结果,分析其误差,证明了Elman网络在动态预测实验中与BP网络相比较的优势.     

电力负荷预测技术研究

电力负荷预测是电力部门的一项重要工作,是城市电网规划中的基础性工作,为电网规划提供了必不可少的基础数据.文章对电力负荷预测技术的分类和特点进行了研究和阐述.     

基于模糊集的BP网络在电力短期负荷预测中的应用

在电力行业,预测电力短期负荷是一项重要的工作,准确预测电力负荷是实现电力管理现代化的重要内容之一.该文分析了基于模糊集的BP人工神经网络模型,并运用它来预测电力短期负荷.通过算例研究,证实了模型的准确性与可靠性,能较好地满足生产实践的要求.     

基于改进BP神经网络的供热负荷预测模型

为在自然环境条件下对供热负荷进行较为准确的预测,分析了对供热负荷产生影响的自然因素,利用回归分析法建立负荷预测模型。在误差较大情况下提出利用神经网络法建模,采用差分进化算法对神经网络的阈值和权值进行优化。使用经过优化的神经网络进行负荷预测,在MATLAB环境下进行仿真。仿真结果表明,采用该方法可得到更为准确的供热负荷预测模型,对供热站节能运行有一定意义。     

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。     

基于BP神经网络的电弧炉炼钢过程的终点预报

针对电弧炉炼钢过程的高度非线性、时变性、不确定性,基于BP算法,建立了增量神经网络电弧炉冶炼终点的预报模型。以废钢、铁水、铁矿石、通电时间、吨钢氧耗和电耗相对于参考炉均值的增量为输入节点,对冶炼钢水终点温度和碳、磷的含量进行预报。研究表明,当钢水终点温度和碳、磷含量的控制精度分别在±10℃、±0．03％和±0．04％时,预报值命中率分别为93％、95．2％和86．3％。     

基于小波神经网络的短时交通流预测

针对BP神经网络寻优速度慢、实时性差等缺点,提出将小波神经网络应用于短时交通流量预测中.该方法具有良好的局部性特征,弥补了常规神经网络的不足.在非线性逼近中得到了很好的应用.实验结果表明,小波神经网络预测模型的预测精度明显优于BP神经网络,对交通流量预测问题有较高的应用价值.     

基于BP神经网络模型的通货膨胀预测

通货膨胀的诱因、预测与控制是各国政府、学者乃至普通民众关心的热点问题。运用交叉相关分析法对GDP增长率、M2增长率、工业生产者购进价格指数等因素与通货膨胀间的关系进行了定量分析,确定了各因素与通货膨胀之间的领先、一致和滞后关系;然后结合人工神经网络原理,以先前确定的领先指标作为输入信息建立了基于BP神经网络的通胀预测模型,最后根据模型预测结果,提出了控制通货膨胀的相关政策建议。     

基于RBF神经网络的电力系统短期负荷预测

电力负荷预测一直是电力系统的重要研究课题。在考虑天气状况因素的前提下,通过MATLAB软件实验平台,构建了一个RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差比较小,结果令人满意,证明了RBF神经网络在电力短期负荷预测领域的有效性和可行性。     

基于灰色预测与BP神经网络的全球温度预测研究

为深入了解全球变暖缘由及影响,探究变暖是否停滞,考虑地球吸热、散热及海洋温度变化等因素,构建一种全球温度预测模型,预测未来25年温度变化。采用主成分分析法找出贡献度较大的3个主成分,再用3组灰色预测模型预测海洋平均温度、二氧化碳排放量、太阳长波辐射等8个变量,并进行光滑比、级比和残差检验。结果表明,预测符合前29年（1990-2018年）时间序列图规律,用历史数据训练BP神经网络,然后把8个变量的预测值代入神经网络,拟合优度为0.922 72,精度非常高,可以看出全球平均温度距平序列越来越大,说明温度正逐渐升高,而不是停滞。     

用于电动汽车电池SOC预测的BP神经网络模型

为破解目前电动汽车用电池剩余电量准确预测这一难题,在对影响电动汽车动力电池荷电状态(SOC)估算结果的相关因素分析基础上,建立一种用于电动汽车电池SOC预测的反向传播(BP)神经网络模型,首次提出蝙蝠-粒子群算法优化训练BP神经网络.仿真实验结果表明:该方法能方便、快速、准确地实现对电动汽车动力电池SOC预测,提高电动汽车动力电池的能量效率,延长动力电池的使用寿命,对于电动汽车的推广应用与发展具有较好的指导价值.     

基于模拟退火的神经网络预测模型

在分析了传统神经网络预测模型的基础上，提出用模拟退火算法代替局部梯度下降法修正网络权值，从而避免了人工神经网络容易陷入局部极小的缺陷。经实例证实，该方法能有效地提高预测的精度。