空調(diào)系統(tǒng)的負(fù)荷與諸多影響因素之間是一種多變量、強耦合、嚴(yán)重非線性的關(guān)系,且這種關(guān)系具有動態(tài)性,因而傳統(tǒng)方法的預(yù)測精度不高。而動態(tài)回歸神經(jīng)網(wǎng)絡(luò)能更生動、更直接地反映系統(tǒng)的動態(tài)特性。針對這個特點,建立了基于elman型神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測模型,并進(jìn)行了實例預(yù)測。文中還比較了elman網(wǎng)絡(luò)和bp網(wǎng)絡(luò)結(jié)構(gòu)的建模效果,仿真實驗證明了elman神經(jīng)網(wǎng)絡(luò)具有動態(tài)特性好、逼近速度快、精度高等特點,說明elman網(wǎng)絡(luò)是一種新穎、可靠的負(fù)荷預(yù)測方法。

電力系統(tǒng)負(fù)荷預(yù)測是電力生產(chǎn)部門的重要工作之一,其負(fù)荷變化具有明顯的周期性,文章采用elman神經(jīng)網(wǎng)絡(luò)與bp神經(jīng)網(wǎng)絡(luò)建立模型,提出了一種基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法。對某電網(wǎng)實際歷史數(shù)據(jù)進(jìn)行仿真預(yù)測,經(jīng)研究發(fā)現(xiàn),elman模型具有收斂速度快、預(yù)測精度高的特點,同時表明利用elman回歸神經(jīng)網(wǎng)絡(luò)建模對某電網(wǎng)負(fù)荷進(jìn)行預(yù)測是完全可行的,在負(fù)荷預(yù)測領(lǐng)域有著較好的應(yīng)用前景。

針對bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測時所遇到的問題,提出了一種基于各種神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型。該模型為單輸出的3層神經(jīng)網(wǎng)絡(luò),即將3種神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入,將實際負(fù)荷值作為神經(jīng)網(wǎng)絡(luò)的輸出,使訓(xùn)練后的網(wǎng)絡(luò)具有預(yù)測能力。該模型能降低單個神經(jīng)網(wǎng)絡(luò)的預(yù)測風(fēng)險,提高預(yù)測精度。仿真結(jié)果表明,所提出的組合預(yù)測模型的精度高于其中任一單一網(wǎng)絡(luò)模型,也高于傳統(tǒng)的線性組合預(yù)測模型。

首次提出了一種基于hht和神經(jīng)網(wǎng)絡(luò)組合的預(yù)測模型。負(fù)荷數(shù)據(jù)首先經(jīng)過emd分解,得到一系列imf分量及余項,通過各分量的頻譜觀察,針對低頻imf分量規(guī)律性及周期性強,高頻分量相對較弱的特點,對低頻imf分量選擇合適的預(yù)測模型直接進(jìn)行預(yù)測,高頻imf采用多神經(jīng)網(wǎng)絡(luò)組合預(yù)測方法。仿真結(jié)果表明,文中提出的預(yù)測模型的精度高于任一單一模型,并且高于傳統(tǒng)的線性組合預(yù)測模型。

電力負(fù)荷是受周期性變化以及天氣等因素影響的高度非線性系統(tǒng),而神經(jīng)網(wǎng)絡(luò)僅僅對已學(xué)習(xí)過的模式具有較好的范化能力。為提高神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測精度,提出先對原始負(fù)荷序列進(jìn)行差分運算以除去其周期性影響,然后依據(jù)相似性原理建立rbf神經(jīng)網(wǎng)絡(luò)預(yù)測模型,仿真實驗表明采用該方法短期負(fù)荷預(yù)測精度有所改善。

為了考慮除負(fù)荷本身外的其他因素對短期負(fù)荷的影響,提出了基于相似度與神經(jīng)網(wǎng)絡(luò)的短期協(xié)同預(yù)測模型。該模型首先通過計算負(fù)荷曲線的相似度對歷史數(shù)據(jù)進(jìn)行排序,然后選擇與預(yù)測時刻相似度較相近的數(shù)據(jù)對未來時刻的負(fù)荷利用相似度進(jìn)行預(yù)測,對于出現(xiàn)的誤差,通過神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進(jìn)行預(yù)測糾正。實驗結(jié)果證明,該協(xié)同預(yù)測模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有較高的預(yù)測精度。

討論如何利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測。研究結(jié)果表明:基于bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測具有精度高的特點,符合預(yù)測結(jié)果的相對誤差小于3.06%。

針對供熱系統(tǒng)供熱量和需熱量不匹配的問題和節(jié)能降耗的需求,提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的供熱系統(tǒng)短期熱負(fù)荷滾動預(yù)測方法。該方法利用動態(tài)的k-均值聚類算法確定rbf神經(jīng)網(wǎng)絡(luò)的隱含層中心,以實現(xiàn)對聚類中心的個數(shù)優(yōu)化選擇,再利用遞歸正交最小二乘法更新網(wǎng)絡(luò)連接的權(quán)系數(shù),訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)模型。每次預(yù)測時用實時數(shù)據(jù)更新一部分歷史數(shù)據(jù)從而組成新的輸入,再用訓(xùn)練模型預(yù)測下一時刻的熱負(fù)荷,用于實現(xiàn)熱網(wǎng)熱負(fù)荷短期滾動預(yù)測。仿真結(jié)果表明,該方法與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法相比,預(yù)測精度高,對熱網(wǎng)系統(tǒng)短期熱負(fù)荷具有良好的預(yù)測能力,能給熱網(wǎng)控制器提供可靠的數(shù)據(jù),使熱網(wǎng)供熱量和需求量相匹配,滿足節(jié)能降耗的需求,具有一定的工程實用價值。

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行精準(zhǔn)預(yù)測。根據(jù)輸入輸出參數(shù)個數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個體賦給elman動態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而建立基于pso-elman的電力負(fù)荷預(yù)測模型。采用某鋼廠實測電力數(shù)據(jù)對該方法和模型進(jìn)行驗證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測方法進(jìn)行對比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時間的同時，具備更高的負(fù)荷預(yù)測精度和穩(wěn)定性。

基于神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷實時預(yù)測模型——文章針對暖通空調(diào)系統(tǒng)優(yōu)化和預(yù)測控制，研究了利用神經(jīng)網(wǎng)絡(luò)進(jìn)行空調(diào)負(fù)荷預(yù)測的方法。

針對電力系統(tǒng)短期負(fù)荷預(yù)測的特點,以及人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和復(fù)雜的非線性擬合能力,將人工神經(jīng)網(wǎng)絡(luò)的bp、elman、rbf三種模型用于短期負(fù)荷預(yù)測,建立了短期電力負(fù)荷預(yù)測模型,綜合考慮氣象、天氣等影響負(fù)荷因素進(jìn)行短期負(fù)荷預(yù)測。某電網(wǎng)實際預(yù)測結(jié)果表明,rbf比bp、elman有更好的預(yù)測精度,更快的速度。

負(fù)荷預(yù)測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎(chǔ),對于電力系統(tǒng)的安全性、可靠性和經(jīng)濟性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測方法,對存在的問題進(jìn)行了分析,并對未來的發(fā)展進(jìn)行了展望。

負(fù)荷預(yù)測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎(chǔ)，對于電力系統(tǒng)的安全性、可靠性和經(jīng)濟性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò)，具有良好的函數(shù)逼近性能，已被廣泛應(yīng)用到電力負(fù)荷預(yù)測中，并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測方法，對存在的問題進(jìn)行了分析，并對未來的發(fā)展進(jìn)行了展望。

基于rbf神經(jīng)網(wǎng)絡(luò)的建筑逐時空調(diào)負(fù)荷預(yù)測模型——分別用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型和bp神經(jīng)網(wǎng)絡(luò)模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負(fù)荷進(jìn)行訓(xùn)練和預(yù)測，發(fā)現(xiàn)rbf神經(jīng)網(wǎng)絡(luò)模型預(yù)測的均方根誤差和平均相對誤差都僅是bp神經(jīng)網(wǎng)絡(luò)方法的64％...

電力系統(tǒng)短期負(fù)荷對電力企業(yè)的經(jīng)濟效益和社會效益都有一定影響。因此文中建立了基于rbf神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷模型。用歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本,用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測,并與bp神經(jīng)網(wǎng)絡(luò)進(jìn)行對比。rbf神經(jīng)網(wǎng)絡(luò)的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡(luò)精確度較高,有利于電力系統(tǒng)合理地進(jìn)行調(diào)度規(guī)劃工作。

提出了一種基于灰色模型和神經(jīng)網(wǎng)絡(luò)組合的短期負(fù)荷預(yù)測方法。首先利用頻域分解消除負(fù)荷序列的周期性,然后利用灰色模型計算負(fù)荷序列的歷史擬合值和未來預(yù)測值,將其作為神經(jīng)網(wǎng)絡(luò)的輸入。在歷史數(shù)據(jù)中選擇一天作為基準(zhǔn)日,以該基準(zhǔn)日的量為參照,以負(fù)荷的灰色模型擬合值相對基準(zhǔn)日的變化量,以及溫度變化量為bp神經(jīng)網(wǎng)絡(luò)的輸入,實際負(fù)荷變化量為輸出,訓(xùn)練神經(jīng)網(wǎng)絡(luò)并預(yù)測待預(yù)測日負(fù)荷的變化量,加上基準(zhǔn)日負(fù)荷后得到預(yù)測負(fù)荷。該方法綜合了灰色模型方法和神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點,仿真結(jié)果驗證了方法的有效性。

針對電力日最高負(fù)荷受多種因素影響,變化趨勢復(fù)雜,難以通過建立準(zhǔn)確的數(shù)學(xué)模型進(jìn)行預(yù)測的問題,提出灰色動態(tài)模型對電力日最高負(fù)荷進(jìn)行預(yù)測,在此基礎(chǔ)上構(gòu)造了灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型。該模型避免了變權(quán)組合預(yù)測模型的主觀與繁瑣,能有效地將灰色預(yù)測弱化數(shù)據(jù)序列波動性的優(yōu)點和神經(jīng)網(wǎng)絡(luò)較強的非線性適應(yīng)能力相融合。算例結(jié)果表明該方法的可行性和有效性,預(yù)測精度也得到了改善。

灰色gm(1,1)預(yù)測模型,要求樣本數(shù)據(jù)少,具有原理簡單、運算方便、短期預(yù)測精度高、可檢驗等優(yōu)點,在負(fù)荷預(yù)測中得到了廣泛應(yīng)用,但是也有其局限性。當(dāng)數(shù)據(jù)灰度越大,預(yù)測精度越差,且不太適合經(jīng)濟長期后推若干年的預(yù)測,在一定程度上是由模型中的參數(shù)α造成的,為此引入向量θ,建立殘差gm(1,1,θ)模型,利用蟻群優(yōu)化算法對其進(jìn)行求解,同時應(yīng)用神經(jīng)網(wǎng)絡(luò)對其預(yù)測殘差進(jìn)行優(yōu)化。實證分析表明,與傳統(tǒng)的預(yù)測方法相比,大大提高了預(yù)測精度,該方法具有一定的實用價值。

提出了根據(jù)實測數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型的基本思路,構(gòu)造出基于bp算法的神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型,并給出應(yīng)用實例分析。結(jié)果表明,神經(jīng)網(wǎng)絡(luò)應(yīng)用于變形預(yù)測效果良好,具有一定參考價值和指導(dǎo)意義。

人工神經(jīng)網(wǎng)絡(luò)是在模仿人腦處理問題的過程中發(fā)展起來的新型智能信息處理理論,通過對人工神經(jīng)網(wǎng)絡(luò)及bp網(wǎng)絡(luò)的基本原理與特征的分析,建立了工程估價預(yù)測模型.

小波神經(jīng)網(wǎng)絡(luò)是建立在小波理論基礎(chǔ)上的一種新型前饋神經(jīng)網(wǎng)絡(luò),具有許多優(yōu)良特性。本文分析了小波神經(jīng)網(wǎng)絡(luò)的特點,建立了電力負(fù)荷的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型,設(shè)計了小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),給出了小波網(wǎng)絡(luò)參數(shù)調(diào)節(jié)算法。對實際電力負(fù)荷預(yù)測算例,以及與bp網(wǎng)絡(luò)的對比研究實驗表明,小波神經(jīng)網(wǎng)絡(luò)對非平穩(wěn)信號能進(jìn)行有效地預(yù)測,比bp神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測精度。

空調(diào)負(fù)荷是近年來增長較快的一類負(fù)荷,其特性對電網(wǎng)的電壓穩(wěn)定性影響很大。夏季影響空調(diào)負(fù)荷的因素主要是溫度和濕度的變化。為了更好的預(yù)測空調(diào)降溫負(fù)荷,研究了溫度和濕度對空調(diào)負(fù)荷的影響。利用bp人工神經(jīng)網(wǎng)絡(luò)對電網(wǎng)空調(diào)負(fù)荷進(jìn)行了預(yù)測,經(jīng)過分析把日平均濕度量化成4段,和日平均濕度實際數(shù)值的模型進(jìn)行計算比較,結(jié)果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調(diào)負(fù)荷之間的非線性關(guān)系,能更好的對電網(wǎng)空調(diào)負(fù)荷進(jìn)行預(yù)測。