神经网络修正的残差智能灰色模型在负荷预测中的应用

针对电力日最高负荷受多种因素影响,变化趋势复杂,难以通过建立准确的数学模型进行预测的问题,提出灰色动态模型对电力日最高负荷进行预测,在此基础上构造了灰色神经网络组合预测模型。该模型避免了变权组合预测模型的主观与繁琐,能有效地将灰色预测弱化数据序列波动性的优点和神经网络较强的非线性适应能力相融合。算例结果表明该方法的可行性和有效性,预测精度也得到了改善。

针对传统的灰色模型在负荷增长速度较快时预测精度低的问题,提出了采用交叉遗传粒子群优化算法代替最小二乘法来优化gm(1,1)模型中参数a、b的方法;介绍了灰色预测原理及其数学模型、cgpso算法及基于cgpso算法的优化灰色模型,并根据实际负荷数据进行了仿真实验。结果表明,在负荷增长速度较快时,优化灰色模型的预测精度明显高于gm(1,1)模型,能够应用于电力系统的中长期负荷预测,拓展了灰色模型的适用范围。

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系,且这种关系具有动态性,因而传统方法的预测精度不高。而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点,建立了基于elman型神经网络的空调负荷预测模型,并进行了实例预测。文中还比较了elman网络和bp网络结构的建模效果,仿真实验证明了elman神经网络具有动态特性好、逼近速度快、精度高等特点,说明elman网络是一种新颖、可靠的负荷预测方法。

针对bp神经网络、rbf神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。

首次提出了一种基于hht和神经网络组合的预测模型。负荷数据首先经过emd分解,得到一系列imf分量及余项,通过各分量的频谱观察,针对低频imf分量规律性及周期性强,高频分量相对较弱的特点,对低频imf分量选择合适的预测模型直接进行预测,高频imf采用多神经网络组合预测方法。仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型。

为了考虑除负荷本身外的其他因素对短期负荷的影响,提出了基于相似度与神经网络的短期协同预测模型。该模型首先通过计算负荷曲线的相似度对历史数据进行排序,然后选择与预测时刻相似度较相近的数据对未来时刻的负荷利用相似度进行预测,对于出现的误差,通过神经网络结合其他因素进行预测纠正。实验结果证明,该协同预测模型较之单纯的bp神经网络预测模型具有较高的预测精度。

讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明:基于bp神经网络的短期电力负荷预测具有精度高的特点,符合预测结果的相对误差小于3.06%。

多变量灰色mgm(1,n)模型对建筑物的沉降监测将会产生更好的预测结果,但是灰色mgm(1,n)预测模型存在着自身的缺陷,具有系统的误差.基于此,通过对传统mgm(1,n)模型的残差序列进行修正,建立优化的灰色emgm(1,n)模型.最后,以某建筑物的沉降实测数据为基础,建立灰色gm(1,1)、mgm(1,n)和emgm(1,n)模型的预测结果并进行比较,结果表明:灰色emgm(1,n)模型的预测精度优于灰色gm(1,1)和mgm(1,n)模型,新模型使预测结果更加准确、可靠.

灰色系统是部分信息已知、部分信息未知的系统。灰色系统把一般系统理论、信息控制的观点和方法延伸到社会、经济等广义系统，灰色系统理论能更准确地描述社会经济系统的状态和行为。研究基于灰色系统理论的灰色预测模型，对社会经济系统预测具有重要的意义。由于用电负荷增长情况受经济发展、产业机构、气候、居民收入水平等诸多因素的影响，其中有一些因素是确定的；而另外一些因素是不确定的，故可以把它看作一个灰色系统。

方法的选择对电力负荷预测结果至关重要,本文通过对x(1)(1)增加干扰因素β,实现对初始值的优化,较已有研究文献使用x(1)(n)+β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比gm(1,1)预测模型小;与bp预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与bp预测相结合的方法进行预测。

智能工程是多层灰色神经网络中的智能算法,处理多个非线性复杂系统研究。

将发电站视为本征性灰色系统,对电力负荷建立灰色预测模型,并根据实际结果对原始模型进行优化。使用序列平移、残差校正、等维新息等方法提高了模型的精度。在实际应用中证明了预测结果的可信度

基于灰色bp神经网络组合模型的基坑变形预测研究——为了使得基坑变形预测在“少样本”、“贫信息”的情况下依然能够得出精度较高的结果，在传统的灰色gm(1，1)模型和bp神经网络模型的基础上，进行了灰色bp神经网络组合模型的研究。通过总结2传统模型的原理和算...

ebp神经网络在空调负荷预测中的应用——空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型。传统方式难于实现准确、快速地预测空调系统动态负荷。人工神经网络ann具有高度的非线性运算能力和较强的容错能力，其中使用最为广泛的是误差反向传...

前馈神经网络在空调负荷预测中的应用——空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型,传统方式难以实现准确、快速地预测空调系统动态负荷。人工神经网络具有高度的非线性运算能力和很强的容错能力,其中最为广泛的是前馈神经网络和采用...

空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型。传统方式难于实现准确、快速地预测空调系统动态负荷。人工神经网络ann具有高度的非线性运算能力和较强的容错能力,其中使用最为广泛的是误差反向传播ebp算法。研究结果表明,用ebp神经网络预测空调负荷和计算结果能较好地吻和。

为了提高电力需求预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出一种并联灰色神经网络预测方法。新方法首先采用灰色模型、神经网络分别进行预测,而后给出了一种基于粗糙集理论确定权值的方法对加权系数加以确定,最后对预测结果加以组合作为实际预测值。用上述并联灰色神经网络模型对上海市的电力需求进行预测,模型精度和预测结果比较理想,优于单一预测模型。计算结果表明,该模型用于电力需求预测是有效可行的,适用于中长期需求预测。

采用理论分析的方法,通过分析国内外在该方面的研究成果,剖析了人工神经网络在空调系统负荷预测中的应用,指出了利用人工神经网络(ann)具有的高度的并行处理和可完成复杂的输入输出的非线性映射能力,进行空调系统负荷预测精度高、准确度好。ann是一种有效的空调负荷预测手段。

空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型,传统方式难以实现准确、快速地预测空调系统动态负荷。人工神经网络具有高度的非线性运算能力和很强的容错能力,其中最为广泛的是前馈神经网络和采用误差反向传播算法来计算网络权值。本文讨论当误差不为零或者不为线性函数,即二阶项s(w)不能忽略时的hesse矩阵的近似计算,进而训练网络。研究结果表明,用该种神经网络预测空调负荷和计算的结果会较好地吻合。

前馈神经网络在空调负荷预测中的应用——本文讨论当误差不为零或者不为线性函数，即二阶项s(w)不能忽略时的hesse矩阵的近似计算，进而练网络。研究结果表明，用该种神经网络预测空调负荷和计算的结果会较好地吻合。

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,将人工神经网络的bp、elman、rbf三种模型用于短期负荷预测,建立了短期电力负荷预测模型,综合考虑气象、天气等影响负荷因素进行短期负荷预测。某电网实际预测结果表明,rbf比bp、elman有更好的预测精度,更快的速度。