神經(jīng)網(wǎng)絡(luò)修正的殘差智能灰色模型在負(fù)荷預(yù)測(cè)中的應(yīng)用

針對(duì)電力日最高負(fù)荷受多種因素影響,變化趨勢(shì)復(fù)雜,難以通過(guò)建立準(zhǔn)確的數(shù)學(xué)模型進(jìn)行預(yù)測(cè)的問(wèn)題,提出灰色動(dòng)態(tài)模型對(duì)電力日最高負(fù)荷進(jìn)行預(yù)測(cè),在此基礎(chǔ)上構(gòu)造了灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型。該模型避免了變權(quán)組合預(yù)測(cè)模型的主觀與繁瑣,能有效地將灰色預(yù)測(cè)弱化數(shù)據(jù)序列波動(dòng)性的優(yōu)點(diǎn)和神經(jīng)網(wǎng)絡(luò)較強(qiáng)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(cè)精度也得到了改善。

針對(duì)傳統(tǒng)的灰色模型在負(fù)荷增長(zhǎng)速度較快時(shí)預(yù)測(cè)精度低的問(wèn)題,提出了采用交叉遺傳粒子群優(yōu)化算法代替最小二乘法來(lái)優(yōu)化gm(1,1)模型中參數(shù)a、b的方法;介紹了灰色預(yù)測(cè)原理及其數(shù)學(xué)模型、cgpso算法及基于cgpso算法的優(yōu)化灰色模型,并根據(jù)實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明,在負(fù)荷增長(zhǎng)速度較快時(shí),優(yōu)化灰色模型的預(yù)測(cè)精度明顯高于gm(1,1)模型,能夠應(yīng)用于電力系統(tǒng)的中長(zhǎng)期負(fù)荷預(yù)測(cè),拓展了灰色模型的適用范圍。

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(qiáng)耦合、嚴(yán)重非線性的關(guān)系,且這種關(guān)系具有動(dòng)態(tài)性,因而傳統(tǒng)方法的預(yù)測(cè)精度不高。而動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò)能更生動(dòng)、更直接地反映系統(tǒng)的動(dòng)態(tài)特性。針對(duì)這個(gè)特點(diǎn),建立了基于elman型神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)模型,并進(jìn)行了實(shí)例預(yù)測(cè)。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(shí)驗(yàn)證明了elman神經(jīng)網(wǎng)絡(luò)具有動(dòng)態(tài)特性好、逼近速度快、精度高等特點(diǎn),說(shuō)明elman網(wǎng)絡(luò)是一種新穎、可靠的負(fù)荷預(yù)測(cè)方法。

針對(duì)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(cè)時(shí)所遇到的問(wèn)題,提出了一種基于各種神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)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(cè)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入,將實(shí)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(cè)能力。該模型能降低單個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)風(fēng)險(xiǎn),提高預(yù)測(cè)精度。仿真結(jié)果表明,所提出的組合預(yù)測(cè)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(cè)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(cè)模型。負(fù)荷數(shù)據(jù)首先經(jīng)過(guò)emd分解,得到一系列imf分量及余項(xiàng),通過(guò)各分量的頻譜觀察,針對(duì)低頻imf分量規(guī)律性及周期性強(qiáng),高頻分量相對(duì)較弱的特點(diǎn),對(duì)低頻imf分量選擇合適的預(yù)測(cè)模型直接進(jìn)行預(yù)測(cè),高頻imf采用多神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)方法。仿真結(jié)果表明,文中提出的預(yù)測(cè)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(cè)模型。

為了考慮除負(fù)荷本身外的其他因素對(duì)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(cè)模型。該模型首先通過(guò)計(jì)算負(fù)荷曲線的相似度對(duì)歷史數(shù)據(jù)進(jìn)行排序,然后選擇與預(yù)測(cè)時(shí)刻相似度較相近的數(shù)據(jù)對(duì)未來(lái)時(shí)刻的負(fù)荷利用相似度進(jìn)行預(yù)測(cè),對(duì)于出現(xiàn)的誤差,通過(guò)神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進(jìn)行預(yù)測(cè)糾正。實(shí)驗(yàn)結(jié)果證明,該協(xié)同預(yù)測(cè)模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較高的預(yù)測(cè)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(cè)。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(cè)具有精度高的特點(diǎn),符合預(yù)測(cè)結(jié)果的相對(duì)誤差小于3.06%。

多變量灰色mgm(1,n)模型對(duì)建筑物的沉降監(jiān)測(cè)將會(huì)產(chǎn)生更好的預(yù)測(cè)結(jié)果,但是灰色mgm(1,n)預(yù)測(cè)模型存在著自身的缺陷,具有系統(tǒng)的誤差.基于此,通過(guò)對(duì)傳統(tǒng)mgm(1,n)模型的殘差序列進(jìn)行修正,建立優(yōu)化的灰色emgm(1,n)模型.最后,以某建筑物的沉降實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),建立灰色gm(1,1)、mgm(1,n)和emgm(1,n)模型的預(yù)測(cè)結(jié)果并進(jìn)行比較,結(jié)果表明:灰色emgm(1,n)模型的預(yù)測(cè)精度優(yōu)于灰色gm(1,1)和mgm(1,n)模型,新模型使預(yù)測(cè)結(jié)果更加準(zhǔn)確、可靠.

灰色系統(tǒng)是部分信息已知、部分信息未知的系統(tǒng)?；疑到y(tǒng)把一般系統(tǒng)理論、信息控制的觀點(diǎn)和方法延伸到社會(huì)、經(jīng)濟(jì)等廣義系統(tǒng)，灰色系統(tǒng)理論能更準(zhǔn)確地描述社會(huì)經(jīng)濟(jì)系統(tǒng)的狀態(tài)和行為。研究基于灰色系統(tǒng)理論的灰色預(yù)測(cè)模型，對(duì)社會(huì)經(jīng)濟(jì)系統(tǒng)預(yù)測(cè)具有重要的意義。由于用電負(fù)荷增長(zhǎng)情況受經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)機(jī)構(gòu)、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個(gè)灰色系統(tǒng)。

方法的選擇對(duì)電力負(fù)荷預(yù)測(cè)結(jié)果至關(guān)重要,本文通過(guò)對(duì)x(1)(1)增加干擾因素β,實(shí)現(xiàn)對(duì)初始值的優(yōu)化,較已有研究文獻(xiàn)使用x(1)(n)+β方法更加便于理解,保持運(yùn)算前后一致,同時(shí),改進(jìn)背景值的設(shè)置。通過(guò)實(shí)例驗(yàn)證,此方法可以在負(fù)荷預(yù)測(cè)上得到很好的應(yīng)用,提高預(yù)測(cè)精度。

針對(duì)基坑變形預(yù)測(cè)中信息的灰色性和數(shù)據(jù)的非線性性,提出用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基坑變形的新方法。用一樁錨聯(lián)合支護(hù)體系實(shí)例進(jìn)行了預(yù)測(cè)研究,得到支護(hù)體系的不同預(yù)測(cè)模型的組合預(yù)測(cè)值。研究結(jié)果表明:灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差比gm(1,1)預(yù)測(cè)模型小;與bp預(yù)測(cè)模型相比,前期誤差大,后期誤差小。在基坑變形監(jiān)測(cè)中,為了更準(zhǔn)確地預(yù)測(cè)基坑變形,可以采用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與bp預(yù)測(cè)相結(jié)合的方法進(jìn)行預(yù)測(cè)。

智能工程是多層灰色神經(jīng)網(wǎng)絡(luò)中的智能算法,處理多個(gè)非線性復(fù)雜系統(tǒng)研究。

將發(fā)電站視為本征性灰色系統(tǒng),對(duì)電力負(fù)荷建立灰色預(yù)測(cè)模型,并根據(jù)實(shí)際結(jié)果對(duì)原始模型進(jìn)行優(yōu)化。使用序列平移、殘差校正、等維新息等方法提高了模型的精度。在實(shí)際應(yīng)用中證明了預(yù)測(cè)結(jié)果的可信度

基于灰色bp神經(jīng)網(wǎng)絡(luò)組合模型的基坑變形預(yù)測(cè)研究——為了使得基坑變形預(yù)測(cè)在“少樣本”、“貧信息”的情況下依然能夠得出精度較高的結(jié)果，在傳統(tǒng)的灰色gm(1，1)模型和bp神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，進(jìn)行了灰色bp神經(jīng)網(wǎng)絡(luò)組合模型的研究。通過(guò)總結(jié)2傳統(tǒng)模型的原理和算...

ebp神經(jīng)網(wǎng)絡(luò)在空調(diào)負(fù)荷預(yù)測(cè)中的應(yīng)用——空調(diào)系統(tǒng)負(fù)荷是一個(gè)典型的具有動(dòng)態(tài)性、不確定性等隨機(jī)特性的非線性模型。傳統(tǒng)方式難于實(shí)現(xiàn)準(zhǔn)確、快速地預(yù)測(cè)空調(diào)系統(tǒng)動(dòng)態(tài)負(fù)荷。人工神經(jīng)網(wǎng)絡(luò)ann具有高度的非線性運(yùn)算能力和較強(qiáng)的容錯(cuò)能力，其中使用最為廣泛的是誤差反向傳...

前饋神經(jīng)網(wǎng)絡(luò)在空調(diào)負(fù)荷預(yù)測(cè)中的應(yīng)用——空調(diào)系統(tǒng)負(fù)荷是一個(gè)典型的具有動(dòng)態(tài)性、不確定性等隨機(jī)特性的非線性模型,傳統(tǒng)方式難以實(shí)現(xiàn)準(zhǔn)確、快速地預(yù)測(cè)空調(diào)系統(tǒng)動(dòng)態(tài)負(fù)荷。人工神經(jīng)網(wǎng)絡(luò)具有高度的非線性運(yùn)算能力和很強(qiáng)的容錯(cuò)能力,其中最為廣泛的是前饋神經(jīng)網(wǎng)絡(luò)和采用...

空調(diào)系統(tǒng)負(fù)荷是一個(gè)典型的具有動(dòng)態(tài)性、不確定性等隨機(jī)特性的非線性模型。傳統(tǒng)方式難于實(shí)現(xiàn)準(zhǔn)確、快速地預(yù)測(cè)空調(diào)系統(tǒng)動(dòng)態(tài)負(fù)荷。人工神經(jīng)網(wǎng)絡(luò)ann具有高度的非線性運(yùn)算能力和較強(qiáng)的容錯(cuò)能力,其中使用最為廣泛的是誤差反向傳播ebp算法。研究結(jié)果表明,用ebp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)空調(diào)負(fù)荷和計(jì)算結(jié)果能較好地吻和。

針對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的特點(diǎn),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(cè),建立了短期電力負(fù)荷預(yù)測(cè)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(cè)。某電網(wǎng)實(shí)際預(yù)測(cè)結(jié)果表明,rbf比bp、elman有更好的預(yù)測(cè)精度,更快的速度。

負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)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(cè)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(cè)方法,對(duì)存在的問(wèn)題進(jìn)行了分析,并對(duì)未來(lái)的發(fā)展進(jìn)行了展望。

負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ)，對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)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(cè)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(cè)方法，對(duì)存在的問(wèn)題進(jìn)行了分析，并對(duì)未來(lái)的發(fā)展進(jìn)行了展望。

介紹灰色神經(jīng)網(wǎng)絡(luò)模型的建模原理和方法,并采用該模型對(duì)實(shí)際的監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理和分析。結(jié)果表明,灰色神經(jīng)網(wǎng)絡(luò)模型能夠在小樣本、貧信息和波動(dòng)數(shù)據(jù)序列等情況下對(duì)變形監(jiān)測(cè)數(shù)據(jù)做出比較準(zhǔn)確的模擬和預(yù)報(bào),從而能夠?yàn)樽冃伪O(jiān)測(cè)的數(shù)據(jù)處理提供一種較好的方法,能夠滿足實(shí)際應(yīng)用的需求。

詳細(xì)介紹了傳統(tǒng)灰色模型gm(1,1)及其改進(jìn)模型無(wú)偏灰色模型wpgm(1,1)、加權(quán)灰色模型pgm(1,1)的原理及其在電力系統(tǒng)長(zhǎng)期負(fù)荷預(yù)測(cè)中的應(yīng)用,結(jié)果表明無(wú)偏灰色模型wpgm(1,1)具有較高的預(yù)測(cè)精度。