基于RBF—BP组合神经网络短期风电功率预测

风能作为一种清洁环保的新能源,有着无污染、低成本、可再生等众多优点。目前我国拥有丰富的风能,有着巨大的发展前景,目前风力发电已有一定规模。但是,由于风电的随机性和间歇性的特点,输出功率很不稳定,易对电网造成冲击,影响电力系统的正常运行。通过准确地预测风电功率,提前采取相应措施,是减少对电网冲击的有效措施。本文研究风电的短期功率预测,在确定影响变量的基础上,利用神经网络中的rbf神经网络进行风电功率预测。通过预测结果与实际功率的比较,得到误差小较理想的预测结果,预测结果较好。

风能作为一种清洁环保的新能源,有着无污染、低成本、可再生等众多优点。目前我国拥有丰富的风能,有着巨大的发展前景,目前风力发电已有一定规模。但是,由于风电的随机性和间歇性的特点,输出功率很不稳定,易对电网造成冲击,影响电力系统的正常运行。通过准确地预测风电功率,提前采取相应措施,是减少对电网冲击的有效措施。本文研究风电的短期功率预测,在确定影响变量的基础上,利用神经网络中的rbf神经网络进行风电功率预测。通过预测结果与实际功率的比较,得到误差小较理想的预测结果,预测结果较好。

由于风能具有随机性和间歇性的特点,造成了其功率输出的不稳定,而大规模的风电接入给电力系统的正常稳定运行和调度带来影响。详细分析影响风电场输出的因素,确定风速、风向正弦和余弦为影响风电输出最主要的关联因素,采用统计预测方法将历史实际输出功率、风速、风向正弦和余弦作为bp神经网络的输入矢量,并采用人工蜂群算法优化得到神经网络的权值和阈值,构建abc-bp神经网络风电功率预测模型。通过对某实测风电功率进行预测验证,结果表明:基于蜂群算法改进的bp神经网络风电功率预测,可以克服bp神经网络易于陷入局部极小的缺陷和不足,极大地提高了全局搜索能力以及预测的稳定性和精度；同时,将自适应的选择策略引入到蜂群算法优化适应度的选择中,减少了网络层参数的训练时间,提高了收敛速度。

为了预测混凝土的抗压强度,在分析bp、rbf神经网络原理的基础上,提出用bp、rbf神经网络模拟混凝土抗压强度与搅拌机各主要影响参数间关系的方法。根据搅拌机的实际工作状况,分别建立了4维输入向量、1维输出向量的bp、rbf神经网络模型,通过19组试验,验证了2种模型的可靠性。结果表明,实测结果与预测结果相接近,该2种神经网络模型能较准确地快速预测混凝土抗压强度。

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神经网络的软基沉降预测研究——将神经网络理论引入软基沉降预测领域．借助自控领域信号处理的思想，应用改进后的径向基函数神经网络的映射模式进行软基沉降的短期预测；软基沉降的长期预测实质上为基于神经网络的多维欧氏空间的曲面拟合问题，将地基压...

针对建筑工程特点,提出了基于rbf神经网络的建筑工程投标报价方法,建立建筑工程投标报价标高率数学模型。应用matlab计算软件,以实例验证了该模型的正确性及实用性。

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。

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。

电力系统负荷预测的重要性、分类和主要预测方法,bp神经网络算法的基本理论和预测过程,建立基于bp神经网络的短期负荷预测模型,以加州24h的电力负荷预测为例进行matlab仿真,结果显示预测精度符合电力系统要求。

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。

针对风场输出功率短期预测所遇到的信息贫乏、精度低和不确定性高的问题,提出一种粒子群动态灰色模型。该模型利用粒子群算法改变背景值参数,通过迭代搜寻和线性化处理对齐次或非齐次的指数参数进行连续优化,提升了预测精度;该模型还引入残差模型对外界环境的变化进行预测,降低了由环境的不确定性对预测带来的影响。将此模型运用到比利时风场输出功率的短期预测当中,实验结果证明了该模型对求解所提问题是有效的。

为了减小电力负荷预测中的误差,提出了基于rbf神经网络的电力负荷预测模型.介绍了负荷序列的相似度预测模型,并在此基础上采用了rbf网络对负荷波动值的误差纠正.通过运用实际电力负荷数据进行验证,该模型能较好地避免不良数据的干扰,有效地提高了负荷序列的预测精度.

介绍了基于matlab的径向基函数rbf神经网络对于建筑物沉降预测的方法,讨论了rbf神经网络的构造思路、参数和分布密度spread的选择。为建筑物变形监测人员的数据分析、变形预测提供了一个可行的概念。

基于rbf神经网络的砂土液化预测——通过分析砂土液化成因及其影响因素，建立了砂土液化预测rbf网络模型，并与bp网络预测模型进行比较．测试结果表明，应用rbf网络模型对砂土液化进行预测，预测效果好，识别精度高．

针对目前混凝土强度预测中存在的不确定性,难以自适应性的确定神经网络隐含层,建立了基于高维云的rbf神经网络的混凝土预测模型。运用matlab8.10进行仿真实验。实验结果表明该模型综合考虑了影响混凝土强度的各种因素,能够实现预测结果的随机性和模糊性,具有更高的预测精度,更快的训练速度,可以广泛应用于生产现场实地的混凝土强度预测和质量检验。

介绍了rbf神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和bp神经网络在收敛速度上进行了比较,结果表明rbf神经网络的收敛速度远远快于bp网络。

本文提出了一种基于rbf神经网络的直接预测法,对公路货运量进行了预测,并利用matlab工具箱予以了实现.对2004和2005年公路货运量预测的结果表明,预测值与国家统计局公布的实际数值有很好的一致性,预测精度也高于其它rbf预测法,有很好的应用性.

分析了对工程造价有重要影响的众多因素,参考国内外专家、学者的研究成果,确定了影响工程造价的18个主要因素,并基于rbf神经网络建立了工程造价决策模型。本文利用rbf神经网络快速、准确的函数逼近能力,为工程造价决策提供了一种新的方法。

针对风电功率序列的不确定性和随机性特征,提出基于聚类经验模态分解(eemd)和支持向量回归机(svr)的风电功率预测模型。同时,为克服支持向量回归机依赖人为经验选择学习参数的弊端,采用纵横交叉算法(cso)优化支持向量回归机学习参数。首先,利用聚类经验模态分解将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对每子序列单独建立cso-svr预测模型。最后,叠加各子序列的预测值得到实际预测结果。实例研究表明,所提模型能获得优良的风电功率预测结果。

运用rbf神经网络(radialbasisfunctionneuralnetwork)理论,分析了大夹角v撑施工期间最大风险因素可能发生的部位,并对v撑的结构失效风险性进行了定量分析。将有限元分析结果作为神经网络训练样本数据,利用径向基神经网络建立了基本变量和结构响应之间的隐性映射关系,根据蒙特卡洛原理进行模拟计算,最终得出v撑施工过程中各个危险截面出现结构失效的概率预估值。通过工程实例验证表明,基于径向基神经网络所建立的施工过程风险分析方法计算效率高,具有可行性和有效性,同时为v撑施工风险决策提供了理论依据。