空調系統的負荷與諸多影響因素之間是一種多變量、強耦合、嚴重非線性的關系,且這種關系具有動態性,因而傳統方法的預測精度不高。而動態回歸神經網絡能更生動、更直接地反映系統的動態特性。針對這個特點,建立了基于elman型神經網絡的空調負荷預測模型,并進行了實例預測。文中還比較了elman網絡和bp網絡結構的建模效果,仿真實驗證明了elman神經網絡具有動態特性好、逼近速度快、精度高等特點,說明elman網絡是一種新穎、可靠的負荷預測方法。

電力系統負荷預測是電力生產部門的重要工作之一,其負荷變化具有明顯的周期性,文章采用elman神經網絡與bp神經網絡建立模型,提出了一種基于神經網絡的負荷預測方法。對某電網實際歷史數據進行仿真預測,經研究發現,elman模型具有收斂速度快、預測精度高的特點,同時表明利用elman回歸神經網絡建模對某電網負荷進行預測是完全可行的,在負荷預測領域有著較好的應用前景。

針對bp神經網絡、rbf神經網絡和小波神經網絡應用于負荷預測時所遇到的問題,提出了一種基于各種神經網絡的組合預測模型。該模型為單輸出的3層神經網絡,即將3種神經網絡的預測結果作為神經網絡的輸入,將實際負荷值作為神經網絡的輸出,使訓練后的網絡具有預測能力。該模型能降低單個神經網絡的預測風險,提高預測精度。仿真結果表明,所提出的組合預測模型的精度高于其中任一單一網絡模型,也高于傳統的線性組合預測模型。

首次提出了一種基于hht和神經網絡組合的預測模型。負荷數據首先經過emd分解,得到一系列imf分量及余項,通過各分量的頻譜觀察,針對低頻imf分量規律性及周期性強,高頻分量相對較弱的特點,對低頻imf分量選擇合適的預測模型直接進行預測,高頻imf采用多神經網絡組合預測方法。仿真結果表明,文中提出的預測模型的精度高于任一單一模型,并且高于傳統的線性組合預測模型。

電力負荷是受周期性變化以及天氣等因素影響的高度非線性系統,而神經網絡僅僅對已學習過的模式具有較好的范化能力。為提高神經網絡的負荷預測精度,提出先對原始負荷序列進行差分運算以除去其周期性影響,然后依據相似性原理建立rbf神經網絡預測模型,仿真實驗表明采用該方法短期負荷預測精度有所改善。

為了考慮除負荷本身外的其他因素對短期負荷的影響,提出了基于相似度與神經網絡的短期協同預測模型。該模型首先通過計算負荷曲線的相似度對歷史數據進行排序,然后選擇與預測時刻相似度較相近的數據對未來時刻的負荷利用相似度進行預測,對于出現的誤差,通過神經網絡結合其他因素進行預測糾正。實驗結果證明,該協同預測模型較之單純的bp神經網絡預測模型具有較高的預測精度。

討論如何利用人工神經網絡進行電力系統短期負荷預測。研究結果表明:基于bp神經網絡的短期電力負荷預測具有精度高的特點,符合預測結果的相對誤差小于3.06%。

針對供熱系統供熱量和需熱量不匹配的問題和節能降耗的需求,提出一種基于改進神經網絡的供熱系統短期熱負荷滾動預測方法。該方法利用動態的k-均值聚類算法確定rbf神經網絡的隱含層中心,以實現對聚類中心的個數優化選擇,再利用遞歸正交最小二乘法更新網絡連接的權系數,訓練rbf神經網絡模型。每次預測時用實時數據更新一部分歷史數據從而組成新的輸入,再用訓練模型預測下一時刻的熱負荷,用于實現熱網熱負荷短期滾動預測。仿真結果表明,該方法與傳統的神經網絡預測方法相比,預測精度高,對熱網系統短期熱負荷具有良好的預測能力,能給熱網控制器提供可靠的數據,使熱網供熱量和需求量相匹配,滿足節能降耗的需求,具有一定的工程實用價值。

為了解決bp神經網絡在短期電力負荷預測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優化elman動態神經網絡進行精準預測。根據輸入輸出參數個數確定elman神經網絡結構，利用pso算法優化網絡的權值和閾值，并將優化后的最優個體賦給elman動態神經網絡作為初始權值、閾值進行網絡訓練，從而建立基于pso-elman的電力負荷預測模型。采用某鋼廠實測電力數據對該方法和模型進行驗證，并與傳統的bp、elman網絡模型預測方法進行對比，結果表明該方法和模型在有效縮短網絡收斂時間的同時，具備更高的負荷預測精度和穩定性。

基于神經網絡的空調負荷實時預測模型——文章針對暖通空調系統優化和預測控制，研究了利用神經網絡進行空調負荷預測的方法。

針對電力系統短期負荷預測的特點,以及人工神經網絡的自學習和復雜的非線性擬合能力,將人工神經網絡的bp、elman、rbf三種模型用于短期負荷預測,建立了短期電力負荷預測模型,綜合考慮氣象、天氣等影響負荷因素進行短期負荷預測。某電網實際預測結果表明,rbf比bp、elman有更好的預測精度,更快的速度。

負荷預測是實現電力系統優化運行的基礎,對于電力系統的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡,具有良好的函數逼近性能,已被廣泛應用到電力負荷預測中,并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法,對存在的問題進行了分析,并對未來的發展進行了展望。

負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡，具有良好的函數逼近性能，已被廣泛應用到電力負荷預測中，并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法，對存在的問題進行了分析，并對未來的發展進行了展望。

基于rbf神經網絡的建筑逐時空調負荷預測模型——分別用徑向基函數(rbf)神經網絡模型和bp神經網絡模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負荷進行訓練和預測，發現rbf神經網絡模型預測的均方根誤差和平均相對誤差都僅是bp神經網絡方法的64％...

電力系統短期負荷對電力企業的經濟效益和社會效益都有一定影響。因此文中建立了基于rbf神經網絡的電力系統短期負荷模型。用歷史負荷數據作為訓練樣本,用訓練好的神經網絡進行電力系統短期負荷預測,并與bp神經網絡進行對比。rbf神經網絡的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經網絡精確度較高,有利于電力系統合理地進行調度規劃工作。

提出了一種基于灰色模型和神經網絡組合的短期負荷預測方法。首先利用頻域分解消除負荷序列的周期性,然后利用灰色模型計算負荷序列的歷史擬合值和未來預測值,將其作為神經網絡的輸入。在歷史數據中選擇一天作為基準日,以該基準日的量為參照,以負荷的灰色模型擬合值相對基準日的變化量,以及溫度變化量為bp神經網絡的輸入,實際負荷變化量為輸出,訓練神經網絡并預測待預測日負荷的變化量,加上基準日負荷后得到預測負荷。該方法綜合了灰色模型方法和神經網絡方法的優點,仿真結果驗證了方法的有效性。

針對電力日最高負荷受多種因素影響,變化趨勢復雜,難以通過建立準確的數學模型進行預測的問題,提出灰色動態模型對電力日最高負荷進行預測,在此基礎上構造了灰色神經網絡組合預測模型。該模型避免了變權組合預測模型的主觀與繁瑣,能有效地將灰色預測弱化數據序列波動性的優點和神經網絡較強的非線性適應能力相融合。算例結果表明該方法的可行性和有效性,預測精度也得到了改善。

灰色gm(1,1)預測模型,要求樣本數據少,具有原理簡單、運算方便、短期預測精度高、可檢驗等優點,在負荷預測中得到了廣泛應用,但是也有其局限性。當數據灰度越大,預測精度越差,且不太適合經濟長期后推若干年的預測,在一定程度上是由模型中的參數α造成的,為此引入向量θ,建立殘差gm(1,1,θ)模型,利用蟻群優化算法對其進行求解,同時應用神經網絡對其預測殘差進行優化。實證分析表明,與傳統的預測方法相比,大大提高了預測精度,該方法具有一定的實用價值。

提出了根據實測數據構造神經網絡變形預測模型的基本思路,構造出基于bp算法的神經網絡變形預測模型,并給出應用實例分析。結果表明,神經網絡應用于變形預測效果良好,具有一定參考價值和指導意義。

人工神經網絡是在模仿人腦處理問題的過程中發展起來的新型智能信息處理理論,通過對人工神經網絡及bp網絡的基本原理與特征的分析,建立了工程估價預測模型.

小波神經網絡是建立在小波理論基礎上的一種新型前饋神經網絡,具有許多優良特性。本文分析了小波神經網絡的特點,建立了電力負荷的小波神經網絡預測模型,設計了小波神經網絡結構,給出了小波網絡參數調節算法。對實際電力負荷預測算例,以及與bp網絡的對比研究實驗表明,小波神經網絡對非平穩信號能進行有效地預測,比bp神經網絡具有更高的預測精度。

空調負荷是近年來增長較快的一類負荷,其特性對電網的電壓穩定性影響很大。夏季影響空調負荷的因素主要是溫度和濕度的變化。為了更好的預測空調降溫負荷,研究了溫度和濕度對空調負荷的影響。利用bp人工神經網絡對電網空調負荷進行了預測,經過分析把日平均濕度量化成4段,和日平均濕度實際數值的模型進行計算比較,結果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調負荷之間的非線性關系,能更好的對電網空調負荷進行預測。