基于BP和多項式擬合模型在電力系統(tǒng)短期負荷的研究
格式:pdf
大小:517KB
頁數(shù):4P
人氣 :98
4.7
針對電力系統(tǒng)短期負荷數(shù)據(jù)進行預測分析,以蘭州地區(qū)某天電力系統(tǒng)負荷值為樣本,分別運用BP神經(jīng)網(wǎng)絡和多項式擬合,給出了預測數(shù)據(jù)的殘差和相對誤差。對預測數(shù)據(jù)進一步分析后,剔除相對誤差較大的4組數(shù)據(jù)再次進行擬合,可使相對誤差平均值遠低于電力系統(tǒng)短期負荷預測相對誤差(5%),提高了模型精度。該文提供的方法在電力系統(tǒng)短期負荷、股價分析、經(jīng)濟效益等領域的同類數(shù)據(jù)分析中有參考價值。
改進的BP算法在電力系統(tǒng)短期負荷預測中的應用
格式:pdf
大小:429KB
頁數(shù):5P
針對電力負荷短期預測問題,提出了一種基于相似日的神經(jīng)網(wǎng)絡預測方法,分析傳統(tǒng)bp算法的不足,提出一種基于levenbery-marquardt優(yōu)化法的bp模型學習算法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經(jīng)網(wǎng)絡來分別預測每天的整點負荷值,具有網(wǎng)絡結構較小,訓練時間短的優(yōu)點,考慮了不同類型的負荷差異,并對四川省電力公司某區(qū)一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。
粒子群優(yōu)化BP算法在電力系統(tǒng)短期負荷預測中的應用
格式:pdf
大?。?span id="nclfdtl" class="single-tag-height" data-v-09d85783>327KB
頁數(shù):4P
為提高電力系統(tǒng)短期負荷預測的精度,引入一種新型的群智能方法——粒子群優(yōu)化算法,并將這種智能算法與bp算法相結合,形成了粒子群優(yōu)化bp算法模型,建立了計及氣象因素的短期負荷預測模型.通過具體算例將此模型與單純的bp模型進行比較,結果表明:該算法具有較高的預測精度,完全能滿足實際工程的要求.
BP算法在電力系統(tǒng)短期負荷預測中的應用
格式:pdf
大小:250KB
頁數(shù):3P
4.5
針對電力負荷短期預測問題,提出了一種基于相似日的神經(jīng)網(wǎng)絡預測方法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經(jīng)網(wǎng)絡來分別預測每天的整點負荷值,具有網(wǎng)絡結構較小,訓練時間短的優(yōu)點,考慮了不同小時類型的負荷差異,具有較高的預測精度。分析了如何采用bp多層感知器的隱層數(shù)及隱層單元數(shù)。最后對四川省電力公司某區(qū)一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。
電力系統(tǒng)短期負荷預測分析
格式:pdf
大?。?span id="ymtnqtn" class="single-tag-height" data-v-09d85783>1.5MB
頁數(shù):3P
4.8
電力系統(tǒng)短期負荷預測分析
電力系統(tǒng)短期負荷預測的靜態(tài)分析
格式:pdf
大?。?span id="de2dmyf" class="single-tag-height" data-v-09d85783>2.4MB
頁數(shù):4P
4.4
電力系統(tǒng)短期負荷預測的靜態(tài)分析
電力系統(tǒng)短期負荷預測方法研究
格式:pdf
大?。?span id="p85ly3u" class="single-tag-height" data-v-09d85783>15.4MB
頁數(shù):84P
4.7
???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????
電力系統(tǒng)短期負荷預測的研究
格式:pdf
大?。?span id="e7usbcj" class="single-tag-height" data-v-09d85783>370KB
頁數(shù):46P
4.7
0 目錄 中文摘要..............................................................1 英文摘要..............................................................2 1電力系統(tǒng)負荷預測綜述...............................................3 1.1引言...........................................................3 1.2電力系統(tǒng)負荷預測的含義.........................................3 1.3電力系統(tǒng)負荷預測的意義.......................................
A題電力系統(tǒng)短期負荷預測
格式:pdf
大?。?span id="sgnf8qw" class="single-tag-height" data-v-09d85783>11KB
頁數(shù):4P
4.4
a題電力系統(tǒng)短期負荷預測 短期負荷預測是電力系統(tǒng)運行與分析的基礎,對機組組合、經(jīng)濟 調度、安全校核等具有重要意義。提高負荷預測精度,是保障電力系 統(tǒng)優(yōu)化決策科學性的重要手段?,F(xiàn)代電力系統(tǒng)中,構成電力負荷的用 電器種類繁多,空調等受氣象條件影響的負荷占比持續(xù)增高,氣象因 素(溫度、濕度、降雨量等)對電力系統(tǒng)負荷的影響愈顯突出??紤] 氣象因素成為調度中心進一步改進負荷預測精度的主要手段之一。 已知地區(qū)1、地區(qū)2從2009年1月1日至2015年1月10日 的 電力負荷數(shù)據(jù)(每15min一個采樣點,每日96點,量綱為mw)以 及2012年1月1日至2015年1月17日的氣象因素數(shù)據(jù)(日最高溫 度、日最低溫度、日平均溫度、日相對濕度以及日降雨量),詳見附 件1-數(shù)據(jù).xlsx。 具體要求如下: 1.請分析兩個地區(qū)2014年
電力系統(tǒng)短期負荷預測畢業(yè)設計
格式:pdf
大小:510KB
頁數(shù):58P
4.7
設計(論文)內容及要求: 一、設計內容: 1.了解ems系統(tǒng)相關知識 2.確定預測目標、搜集與整理資料 3.對電力系統(tǒng)短期負荷預測進行較為系統(tǒng)的研究 4.分析資料,選擇預測方法 5.確定短期負荷預測方法 6.建立短期負荷預測模型 7.對短期負荷預測進行仿真實驗研究 8.進行預測分析 二、設計要求: 1.翻譯該課題相關英文論文一篇 2.設計說明書一份(含中英文摘要、正文、程序清單) 三、參考資料: 1.《能量管理系統(tǒng)》 2.《電力系統(tǒng)自動化》等有關電力系統(tǒng)負荷預測方面的參考文獻 3.有關matlab/simulink仿真方面的教材及資料 4.《神經(jīng)網(wǎng)絡技術》 5.《智能控制理論》 6.《電力系統(tǒng)短期負荷預測》 指導教師: 年月日 本科生畢業(yè)設計(論文)開題報告 設計(論文)題目基于灰色理論的短期電力負荷預測 設計(論文)題目來源自選題目 設
基于RBF神經(jīng)網(wǎng)絡模型的電力系統(tǒng)短期負荷預測
格式:pdf
大?。?span id="twmty7j" class="single-tag-height" data-v-09d85783>241KB
頁數(shù):3P
4.7
電力系統(tǒng)短期負荷對電力企業(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)絡的電力系統(tǒng)短期負荷模型。用歷史負荷數(shù)據(jù)作為訓練樣本,用訓練好的神經(jīng)網(wǎng)絡進行電力系統(tǒng)短期負荷預測,并與bp神經(jīng)網(wǎng)絡進行對比。rbf神經(jīng)網(wǎng)絡的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡精確度較高,有利于電力系統(tǒng)合理地進行調度規(guī)劃工作。
深度學習算法在電力系統(tǒng)短期負荷預測中的應用
格式:pdf
大?。?span id="h3klh73" class="single-tag-height" data-v-09d85783>173KB
頁數(shù):3P
4.5
首先,簡要介紹了深度學習算法的有關內容,包括深度學習與神經(jīng)網(wǎng)絡的比較和深度學習的訓練過程。其次,從負荷的日屬性、負荷的周屬性、溫度因素、節(jié)假日因素這幾個方面對負荷的特性進行了研究。最后,根據(jù)負荷的歷史數(shù)據(jù),應用深度學習算法進行了短期負荷預測,并將其預測結果與bp神經(jīng)網(wǎng)絡的預測結果做了比較。
基于SVM短期電力負荷預測模型研究
格式:pdf
大?。?span id="2icabew" class="single-tag-height" data-v-09d85783>157KB
頁數(shù):1P
4.6
支持向量機svm作為機器學習方法之一,有數(shù)據(jù)分類以及數(shù)據(jù)回歸兩種用途,支持向量機的回歸能應用于預測領域.本文應用svm方法來建立電力負荷預測模型,首先以歷史負荷、天氣、日期類型作輸入數(shù)據(jù),然后對數(shù)據(jù)進行歸一化處理,再利用svm構建預測模型,svm在負荷預測方面具有較高的可信度與精準度.
電力系統(tǒng)短期負荷預測技術的研究與應用
格式:pdf
大?。?span id="aoxr7mg" class="single-tag-height" data-v-09d85783>15.9MB
頁數(shù):70P
4.5
?????????????????????????????????????????????????????????;???20050501 ??????????????????????????????????????(52?ì1.????2.???.???.??????????????19983.knzadeh.gcauleypracticesandnewconceptsinpowersystemcontrol[????]1996(01)4.wrlachs.dsutanto.dnlogothetispowersystemcontrolinthenextcentury[????]1996(0
電力系統(tǒng)短期負荷預測方法的研究
格式:pdf
大?。?span id="vcummef" class="single-tag-height" data-v-09d85783>14.1MB
頁數(shù):65P
4.7
鄭州大學 碩士學位論文 電力系統(tǒng)短期負荷預測方法的研究 姓名:張德玲 申請學位級別:碩士 專業(yè):電力系統(tǒng)及其自動化 指導教師:陳根永 20070515 電力系統(tǒng)短期負荷預測方法的研究 作者:張德玲 學位授予單位:鄭州大學 本文鏈接:http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx
電力系統(tǒng)短期負荷預測方法研究分析
格式:pdf
大?。?span id="tljvpjo" class="single-tag-height" data-v-09d85783>632KB
頁數(shù):2P
4.7
電力系統(tǒng)短期負荷預測方法研究分析
水火電力系統(tǒng)短期優(yōu)化調度模型
格式:pdf
大小:2.1MB
頁數(shù):4P
4.4
構建水火電力系統(tǒng)短期優(yōu)化調度模型,提出求解思路.從梯級水電站發(fā)電量和耗水量、火電機組污染物排放量和發(fā)電總成本四方面建立模型;運用滿意度函數(shù)和歐式距離函數(shù)進行歸一化處理,結合懲罰函數(shù)和雙適應度法處理約束條件.將多目標、帶約束的復雜優(yōu)化問題轉化為了單目標、無約束的簡單優(yōu)化問題,大大簡化了求解過程,提高了算法的收斂速度和精度.充分體現(xiàn)了節(jié)能和經(jīng)濟雙贏的理念,為水火電力系統(tǒng)短期優(yōu)化調度提供了新思路.
灰色GM(1,1)模型在電力系統(tǒng)負荷預測中的應用
格式:pdf
大?。?span id="chuoilb" class="single-tag-height" data-v-09d85783>241KB
頁數(shù):2P
4.4
研究了灰色gm(1,1)模型及其在電力系統(tǒng)負荷預測中的應用,以實際算例為基礎,對預測結果作了分析,得出結論:灰色gm(1,1)模型精度較高,但也存在一定的局限性.
灰色預測模型在電力系統(tǒng)負荷預測中的應用
格式:pdf
大小:221KB
頁數(shù):2P
4.6
電力系統(tǒng)負荷預測是根據(jù)電力負荷、社會、經(jīng)濟、氣象等歷史數(shù)據(jù),特別是氣象和經(jīng)濟數(shù)據(jù),探索電力負荷歷史數(shù)據(jù)變化規(guī)律對未來負荷的影響,尋求電力負荷與各種相關因素之間的內在聯(lián)系,從而對未來的電力負荷進行科學的預測。在電網(wǎng)規(guī)劃中,電力負荷預測精度直接決定投資成本,因此,選擇一種預測精度高的電力負荷預測辦法至關重要。灰色模擬法是對原始數(shù)據(jù)進行整理和分析,主要適合于信息條件比較貧乏的預測和分析?,F(xiàn)就基于灰色預測模型改進的負荷預測問題作出簡要探討。
基于灰色預測模型在電力系統(tǒng)負荷預測中的應用
格式:pdf
大?。?span id="ijbk8e2" class="single-tag-height" data-v-09d85783>202KB
頁數(shù):1P
4.6
基于灰色預測理論,研究了基本灰色預測模型及其幾種傳統(tǒng)改進模型的原理和它們在電力負荷預測中存在的局限性,提出了電力系統(tǒng)中長期負荷預測的實用新方法灰色預測模型。以實際算例為基礎,應用基本灰色預測模型和傳統(tǒng)改進模型以及組合灰色預測模型分別對電力負荷進行了預測,并進行了分析比較。結果表明,用灰色理論預測電力負荷,理論可靠、方法簡單。對于中長期電力負荷預測這樣復雜的問題,組合灰色預測模型具有預測精度高、簡捷實用等優(yōu)點,該方法可作為中長期電力負荷預測的工具之一。
基于滑動多項式擬合模型的建筑物垂直沉降預測
格式:pdf
大?。?span id="uzeydip" class="single-tag-height" data-v-09d85783>359KB
頁數(shù):3P
4.7
多項式擬合是預測建筑物垂直沉降時應用最廣泛的模型之一,但模型受外界影響較大。為了更加充分的利用觀測信息,減少外界因素影響,提出了滑動多項式擬合模型。該模型要求參與建模的數(shù)據(jù)個數(shù)保持不變,以新觀測的數(shù)據(jù)取代舊有的數(shù)據(jù),從而獲得新的擬合參數(shù),預測沉降量,并利用秩和檢驗對模型進行了檢驗。通過實例驗證,得出滑動模型預測效果明顯優(yōu)于常規(guī)模型預測效果的結論。
負荷模型不確定性對電力系統(tǒng)動態(tài)仿真的影響
格式:pdf
大小:714KB
頁數(shù):6P
4.8
為解決蒙特卡洛模擬法仿真次數(shù)過多、消耗時間過長等缺點,采用一種新的不確定分析方法——概率分配法(probabilisticcollocationmethod,pcm),定量分析動態(tài)負荷所占比例的不確定性對動態(tài)仿真及穩(wěn)定的影響裕度。新英格蘭10機39節(jié)點系統(tǒng)的仿真分析驗證該方法在電力系統(tǒng)動態(tài)仿真中的實用性和有效性。仿真分析顯示離故障點較近且負荷較重的節(jié)點,其動態(tài)負荷所占比例的不確定影響最大;某些距故障點較遠但負荷較重的節(jié)點,其不確定性對暫態(tài)穩(wěn)定仍有較大的影響。對電力系統(tǒng)的動態(tài)仿真結果表明pcm方法可直接在輸出響應與指定參數(shù)間建立多項式關系,僅用參數(shù)的概率密度函數(shù)及少量仿真便可快速估計出響應的概率分布,從而對響應進行不確定性分析。
自適應濾波算法在電力系統(tǒng)短期負荷預測中的應用
格式:pdf
大?。?span id="fgc3fdm" class="single-tag-height" data-v-09d85783>540KB
頁數(shù):3P
4.8
文章認為相空間局域線性回歸法是電力系統(tǒng)短期負荷預測混沌預測法中廣泛使用的方法,在用線性最小二乘法估計局部線性化模型的參數(shù)時,往往由于病態(tài)的數(shù)據(jù)矩陣導致估計值對噪聲過于敏感而變得不可信。針對這種情況應用最小均方誤差準則和最陡下降原理提出了一種基于自適應濾波電力系統(tǒng)短期負荷預測算法,避免了病態(tài)矩陣的影響。實驗結果表明該算法預測結果穩(wěn)定、可靠。
基于混沌理論和小波變換的電力系統(tǒng)短期負荷預測方法
格式:pdf
大小:436KB
頁數(shù):3P
4.6
文章首先對目前電力系統(tǒng)負荷預報理論和方法進行了全面回顧和評述,重點介紹了混沌理論的發(fā)展及應用現(xiàn)狀。結合混沌時間序列的分析方法,在對現(xiàn)在廣泛應用于電力系統(tǒng)短期負荷預測的混沌方法研究的基礎上,提出了將混沌預測技術與小波奇異性檢測和消噪結合提高預測精度的方法。
小波回歸分析法在短期電力系統(tǒng)負荷預測中的應用
格式:pdf
大?。?span id="vaifkjz" class="single-tag-height" data-v-09d85783>636KB
頁數(shù):3P
4.4
利用多分辨分析的小波變換對短期電力負荷序列進行了分解處理.將負荷序列投影到不同的尺度上,根據(jù)其在各尺度上子序列的特性分別進行回歸預測.最后將預測結果疊加,得到最佳預測結果.結果表明,該方法能夠取得較好的預測精確度.
文輯推薦
知識推薦
百科推薦
職位:信息化咨詢工程師
擅長專業(yè):土建 安裝 裝飾 市政 園林