基于Elman型神经网络集中供热负荷预测模型

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。

电力系统负荷预测是电力生产部门的重要工作之一,其负荷变化具有明显的周期性,文章采用elman神经网络与bp神经网络建立模型,提出了一种基于神经网络的负荷预测方法。对某电网实际历史数据进行仿真预测,经研究发现,elman模型具有收敛速度快、预测精度高的特点,同时表明利用elman回归神经网络建模对某电网负荷进行预测是完全可行的,在负荷预测领域有着较好的应用前景。

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。

电力负荷是受周期性变化以及天气等因素影响的高度非线性系统,而神经网络仅仅对已学习过的模式具有较好的范化能力。为提高神经网络的负荷预测精度,提出先对原始负荷序列进行差分运算以除去其周期性影响,然后依据相似性原理建立rbf神经网络预测模型,仿真实验表明采用该方法短期负荷预测精度有所改善。

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%。

针对供热系统供热量和需热量不匹配的问题和节能降耗的需求,提出一种基于改进神经网络的供热系统短期热负荷滚动预测方法。该方法利用动态的k-均值聚类算法确定rbf神经网络的隐含层中心,以实现对聚类中心的个数优化选择,再利用递归正交最小二乘法更新网络连接的权系数,训练rbf神经网络模型。每次预测时用实时数据更新一部分历史数据从而组成新的输入,再用训练模型预测下一时刻的热负荷,用于实现热网热负荷短期滚动预测。仿真结果表明,该方法与传统的神经网络预测方法相比,预测精度高,对热网系统短期热负荷具有良好的预测能力,能给热网控制器提供可靠的数据,使热网供热量和需求量相匹配,满足节能降耗的需求,具有一定的工程实用价值。

为了解决bp神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题，本文采用粒子群算法（particleswarmoptimization，pso）优化elman动态神经网络进行精准预测。根据输入输出参数个数确定elman神经网络结构，利用pso算法优化网络的权值和阈值，并将优化后的最优个体赋给elman动态神经网络作为初始权值、阈值进行网络训练，从而建立基于pso-elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证，并与传统的bp、elman网络模型预测方法进行对比，结果表明该方法和模型在有效缩短网络收敛时间的同时，具备更高的负荷预测精度和稳定性。

基于神经网络的空调负荷实时预测模型——文章针对暖通空调系统优化和预测控制，研究了利用神经网络进行空调负荷预测的方法。

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。

负荷预测是实现电力系统优化运行的基础,对于电力系统的安全性、可靠性和经济性都有着显著的影响。rbf是一种三层前馈神经网络,具有良好的函数逼近性能,已被广泛应用到电力负荷预测中,并取得良好的效果。本文主要整理并介绍当前基于rfb神经网的负荷预测方法,对存在的问题进行了分析,并对未来的发展进行了展望。

负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著的影响。rbf是一种三层前馈神经网络，具有良好的函数逼近性能，已被广泛应用到电力负荷预测中，并取得良好的效果。本文主要整理并介绍当前基于rfb神经网的负荷预测方法，对存在的问题进行了分析，并对未来的发展进行了展望。

基于rbf神经网络的建筑逐时空调负荷预测模型——分别用径向基函数(rbf)神经网络模型和bp神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测，发现rbf神经网络模型预测的均方根误差和平均相对误差都仅是bp神经网络方法的64％...

电力系统短期负荷对电力企业的经济效益和社会效益都有一定影响。因此文中建立了基于rbf神经网络的电力系统短期负荷模型。用历史负荷数据作为训练样本,用训练好的神经网络进行电力系统短期负荷预测,并与bp神经网络进行对比。rbf神经网络的平均误差为2.09%,最大误差为4.77%,相比于bp神经网络精确度较高,有利于电力系统合理地进行调度规划工作。

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法。首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入。在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为bp神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷。该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性。

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。

灰色gm(1,1)预测模型,要求样本数据少,具有原理简单、运算方便、短期预测精度高、可检验等优点,在负荷预测中得到了广泛应用,但是也有其局限性。当数据灰度越大,预测精度越差,且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数α造成的,为此引入向量θ,建立残差gm(1,1,θ)模型,利用蚁群优化算法对其进行求解,同时应用神经网络对其预测残差进行优化。实证分析表明,与传统的预测方法相比,大大提高了预测精度,该方法具有一定的实用价值。

分别用径向基函数(rbf)神经网络模型和bp神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现rbf神经网络模型预测的均方根误差和平均相对误差都仅是bp神经网络方法的64%左右.仿真结果表明,rbf神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于rbf神经网络的建筑逐时空调负荷智能预测软件系统.

基于rbf神经网络的建筑逐时空调负荷预测模型——在简单介绍变风量空调(vav)系统的基础上，通过多元线性回归原理建立机组部分的静态模型，并对静态模型进行验证；最后用最小二乘法建立动态模型。

提高电力负荷预测精度有利于电力部门的安全生产,有利于合理安排电网运行方式和机组的检修计划,有利于系统的合理规划和经济运行。为了提高短期负荷预测的精度,把自相关函数的概念应用到反向传播(backpropogation,bp)神经网络输入变量选择中,通过matlab仿真软件建立负荷预测模型。最后对某电力系统1d的负荷进行预测,仿真结果验证了该模型的可行性和有效性。

电力系统短期负荷预测是能量管理系统的重要组成部分，不但为电力系统的安全、经济运行提供保障，也是电力市场环境下编排调度计划、供电计划、交易计划的基础。因此，短期负荷预测方法的研究一直为人们所重视。