基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

考虑风电出力及负荷预测误差的安全经济运行模型

充分考虑了风电并网和负荷预测不确定性,引入净负荷的概念,实现对风电和负荷预测误差发生概率的综合考虑。通过场景概率的研究,以包括确定性成本和随机性成本在内的综合调度成本最小化为目标函数,构建安全经济运行模型。算例分析表明,本文构建的随机安全运行计划模型相比于传统的确定性模型能够更有效地降低系统运行成本,结果同时显示,根据系统容量和负荷需求合理配置风电装机容量,是减少弃风量、提高供电可靠性的重要手段。     

模糊处理变结构神经网络日负荷预测方法研究

对于受不确定因素影响的日电力负荷,首次提出了基于模糊分类规则的变结构神经网络负荷预测模型,考虑从两方面改进预测精度,一个方面是通过模糊分类规则,使过去的负荷数据分为不同气候特征,选用同类特征数据进行预测,另一方面是通过神经网络变结构优化,确定最优网络和最优拟合逼近,从而得到最优的预测结果,这种新方法同时考虑了天气因素的影响和神经网络的最优确定,因此,较大提高了日负荷预测的精度。     

考虑气象因素的短期负荷预测模型研究

短期负荷预测是针对未来一天到数天各时段的负荷预测的研究,是电力系统负荷预测工作的一项重要内容.针对传统神经网络预测模型应用于短期负荷预测的缺陷,改进了多角度数据分析和组织策略,选择不同年份相近历史日作为相似日,通过最小二乘支持向量机填补确实数据,利用聚类算法预测相似日的短期负荷;同时通过灰度关联算法,考虑气象因素作用下的短期负荷预测模型.实例证明:通过建立与负荷数据相适应的数学模型,对负荷数据进行分析与预测,通过气象因素修正预测模型,可以获得更精确的负荷数据预测.     

基于稳健回归的电网高峰负荷预测模型应用

在分析高峰负荷特点的基础上,建立了基于稳健回归模型的高峰负荷预测方法。该方法具有较强的稳健性,适应异常情况下的样本数据,能保持较满意预测精度。通过对辽宁省2002年电网负荷数据的预测模拟,验证了本文高峰预测方法的有效性。     

基于Chebyshev多项式的神经网络中长期负荷预测研究

高精度负荷预测在提高电力系统的安全性和经济性方面有着极其重要的意义,而现有的负荷预测方法因参数有限,难以完全反映其内在规律,因而导致预测结果不够准确.为此提出了一种基于Chebyshev多项式神经网络模型的预测方法.该方法使用递推最小二乘法训练神经网络权值系数,以获得高精度的参数估计,从而实现Chebyshev多项式神经网络模型对负荷量的最优拟合,再利用训练好的Chebyshev多项式神经网络模型实现中长期负荷预测.研究结果表明,该方法能较好模拟负荷变化规律,有效提高了负荷预测精度,在电力系统负荷预测中有较大的应用价值.     

基于季节ARIMA模型的电力系统负荷短期预测

电力负荷是影响电网寿命和可靠度的一个重要因素,其月负荷变化具有明显的周期性.介绍了应用季节ARIMA模型进行电力负荷建模预测的理论和方法,将季节ARIMA模型应用于电力系统负荷短期预测,测试结果证明了方法的有效性.     

岭估计在上海居民生活用电预测中的应用

负荷预测精度涉及到电力工业投资的经济效益，超前投资造成资源浪费；滞后又影响经济发展．在上海居民生活用电预测中，用岭估计代替最小二乘估计，可以消除多元线性回归方程系数的估计为负带来的不合理结果，提高预测精度，本文总结了岭参数的选择对长期负荷预测的影响，取得较满意的预测结果．     

非线性回归校正模型在突变负荷预测中的研究及应用

非线性回归模型是中长期负荷预测的一种有效的方法,对常规变化趋势的负荷有很好的拟合性,但对有转折点的突变趋势或增长处于饱和阶段的负荷进行预测误差较大.通过对历史数据的最优分段,提出了非线性回归校正模型,可以很好地解决这个问题.实例表明,此模型在中长期负荷预测中是适用的,尤其对于有转折点的突变趋势,具有很高的预测精度.     

等维递补灰色校正模型的研究及应用

灰色预测模型是中长期负荷预测的一种有效的方法,对E型规律发展的负荷有很好的拟合性,但对有转折点的S型增长趋势或增长处于饱和阶段的负荷进行预测误差较大。本文通过对历史数据的最优分段,提出了等维递补灰色校正模型,可以很好地解决这个问题。实例表明,此模型在中长期负荷预测中是适用的,尤其对于按S型曲线增长的情况,具有很高的预测精度。     

基于多分辨率分析的股票市场预测模型研究

采用多分辨率分析技术将深证成指收盘数据序列分解为多个子序列,然后采用神经网络技术对每个子序列分别建立预测模型,将各个预测结果叠加后得到最终预测结果.研究首先发现多分辨率技术可以有效提高预测模型的预测精度,表明分析我国股市波动时应该按照不同因素对股市影响大小及周期的差异分别研究,才能更有效分析股市运行状况及对其预测;其次结果表明不同类型神经网络预测模型预测性能差异明显,在选择股市预测模型的神经网络类型时应该注意其学习算法及收敛过程,以便能更好捕获股市变化规律.     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

自组织理论和BP人工神经网络在税收预测中的应用研究

针对BP人工神经网络的结构特性,提出了将自组织理论与BP人工神经网络相结合的思想,不仅解决了输入待定的神经网络输入维数难确定的问题,而且加快了神经网络的收敛速度,增强了神经网络的适应能力.并将新建立的模型应用到税收预测中,得出了比常规经济学模型更优的效果.     

基于季节性RBF神经网络的月度市场需求预测研究

本文提出一种季节性神经网络预测模型,对具有季节性变化的产品月度市场需求进行预测.在Matlab语言环境下,用傅立叶周期分析法得到时间序列的周期长度;借鉴嵌入理论,提出了确定季节性神经网络输入维数的策略;利用计算机程序搜索,确定最优参数;通过合理插值,重构样本集.仿真实验表明,该模型的预测精度明显高于其他几个常用的季节预测模型.     

组合预测模型在能源消费预测中的应用

能源的需求预测是一个复杂的非线形系统,其发展变化具有增长性和波动性,组合预测对于信息不完备的复杂经济系统具有一定的实用性.本文利用我国能源消费的历史数据,采用灰色预测的GM(1,1)模型、BP神经网络模型和三次指数平滑模型进行优化组合,建立了能源消费组合预测模型,实证分析结果表明预测值和实际结果有很好的一致性,可以作为能源消费预测的有效工具.     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

基于改进BP神经网络的电力负荷预测

在现有文献研究的基础上,对BP神经网络进行了深入研究,提出了一种新的LAFBP模型,给出了模型的标准BP算法、改进BP算法、权值和阈值的初始化方法.在此基础上,用新的LAFBP模型与传统的标准BP模型对黑龙江省巴彦县的电力负荷进行了预测.预测结果表明,新的LAFBP模型不仅克服了传统的BP模型外推效果不好的缺点,而且在模型的拟合精度、学习时间和学习次数方面明显优于传统的BP模型.