CN110097236A - 一种基于FA优化Elman神经网络的短期负荷预测方法 - Google Patents
一种基于FA优化Elman神经网络的短期负荷预测方法 Download PDFInfo
- Publication number
- CN110097236A CN110097236A CN201910410224.2A CN201910410224A CN110097236A CN 110097236 A CN110097236 A CN 110097236A CN 201910410224 A CN201910410224 A CN 201910410224A CN 110097236 A CN110097236 A CN 110097236A
- Authority
- CN
- China
- Prior art keywords
- neural network
- firefly
- elman neural
- optimization
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 241000254158 Lampyridae Species 0.000 claims description 74
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 241000131894 Lampyris noctiluca Species 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
电力系统的负荷随时间呈现一定范围的非线性波动,但是负荷特性的变化仍然具有一定规律,据此本专利提出一种基于FA优化Elman神经网络的短期负荷预测方法,以提高负荷预测精度。利用萤火虫算法(FA)的非线性寻优能力指导Elman神经网络的权值、阈值进行优化,克服Elman神经网络易陷入局部最优的不足;利用优化后的权值阈值增强Elman神经网络的拟合能力,克服过拟合现象;利用基于FA优化Elman神经网络的短期负荷预测方法预测电力负荷;并且通过仿真验算分析FA优化的Elman神经网络相比于传统的Elman神经网络的优越性。
Description
技术领域
本发明属于电力系统负荷预测领域,具体涉及一种基于FA优化Elman神经网络的短期负荷预测方法。
背景技术
电力系统中准确的短期负荷预测,可以有效地减少发电成本,提高电力系统的经济效益和环境效益。传统的短期电力负荷预测模型有ARIMA模型,参数回归模型,卡尔曼滤波模型等,随着计算机技术的迅速发展和人工智能技术在电力行业的广泛应用,神经网络,专家系统,支持向量机等模型应用于电力系统短期负荷预测已成为主流。
Elman神经网络通过在前馈式神经网络中增加了一层承接层作为一步延时算子,以达到记忆的目的,从而使得系统具有实用时变特性的能力,被广泛应用于短期负荷预测。
本发明基于以上两点分析,在国内外对于此类问题研究基础之上,利用FA对Elman神经网络进行优化,并且在此基础上提出一种基于FA算法优化Elman神经网络的短期负荷方法。
发明内容
本发明针对现有技术中的不足,提供一种基于FA优化Elman神经网络的短期负荷预测方法。
为实现上述目的,本发明采用以下技术方案:
一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于,包括如下步骤:
步骤1,确定Elman神经网络的拓扑结构,初始化神经网络的权值、阈值;
步骤2,根据Elman神经网络的拓扑结构确定待优化神经网络的权值和阈值的数目,依据待优化权值和阈值的数目,初始化FA中的种群个体维度;
步骤3,对训练集和测试集所有数据进行归一化处理;
步骤4,利用训练集数据对神经网络进行训练,以训练后Elman神经网络的预测输出和实际负荷输出的差值作为目标函数,利用FA优化Elman神经网络的权值、阈值,直至达到算法停止运行条件;
步骤5,利用训练集所有数据对完成优化的Elman神经网络进行训练,利用训练好的完成优化的Elman神经网络针对测试集所有数据进行预测,得到预测结果。
为优化上述技术方案,采取的具体措施还包括:
进一步地,所述步骤2中,待优化的权值、阈值包括所有输入层和隐含层之间的权值,所有隐含层和输出层之间的权值,所有隐含层节点的阈值,所有输出层节点的阈值;FA中种群个体维度为所有待优化权值、阈值的总数目。
进一步地,所述步骤3中,通过式(1),对所有数据进行归一化处理:
式中,xmax,xmin分别为数据的最大、最小值;xi,xi *为归一化前后的数据;
训练好的完成优化的Elman神经网络的预测数据按式(2)进行反归一化,得到预测负荷值:
yi=yi **(xmax-xmin)+xmin (2)
式中,yi *,yi为反归一化前后的预测数据。
进一步地,所述步骤4中,FA优化过程包括四个步骤:荧光素更新、移动概率计算、萤火虫位置更新及动态决策域更新。
进一步地,所述荧光素更新具体如下:
荧光素的更新与当前萤火虫所处的位置、前一时刻荧光素的残留量有关,其更新方程为:
Li(t)=(1-ρ)Li(t-1)+ωf(Xi(t)) (3)
式中,Li(t)与Li(t-1)分别为当前时刻与前一时刻的荧光素值;ρ∈(0,1)为荧光素挥发因子;f(Xi(t))为当前萤火虫位置的适应度函数值,即当前迭代次数下的训练后Elman神经网络的预测输出和实际负荷输出的差值;ω为萤火虫位置对适应度函数的影响因子。
进一步地,所述移动概率计算具体如下:
萤火虫的亮度越大,对周围萤火虫的吸引力越大,周围萤火虫被吸引移动的概率就越高,其计算方法为:
式中,Pij(t)为萤火虫i向萤火虫j移动的概率;Ni(t)为比当前萤火虫i荧光素高的萤火虫邻域集,k表示Ni(t)中的萤火虫。
进一步地,所述萤火虫位置更新具体如下:
萤火虫位置更新方程为:
式中,Xi(t)与Xi(t+1)分别为当前时刻与下一时刻萤火虫i所处的位置,即当前迭代次数和下一次迭代次数下的Elman神经网络的权值、阈值大小,Xj(t)与Xj(t+1)分别为当前时刻与下一时刻萤火虫j所处的位置;s为萤火虫移动步长。
进一步地,所述动态决策域更新具体如下:
动态决策域更新公式为:
式中:r为萤火虫感知半径,表征萤火虫最大视线范围;β为邻域变化率,表示邻域的变化程度;ni为邻域阀值,表示个体邻域集内包含萤火虫数目阀值;rd为萤火虫动态决策半径,与分别表示当前时刻与下一时刻萤火虫i的动态决策半径。
本发明的有益效果是:利用萤火虫算法(FA)的非线性寻优能力指导Elman神经网络的权值、阈值进行优化,克服Elman神经网络易陷入局部最优的不足;利用优化后的权值阈值增强Elman神经网络的拟合能力,克服过拟合现象;利用基于FA优化Elman神经网络的短期负荷预测方法预测电力负荷,提高负荷预测精度。其中,采用滚动计数法处理负荷数据,可以灵活预测每个时刻的负荷值,不再局限于某一天;考虑了负荷预测时序性,采用均方根误差函数作为目标优化。
附图说明
图1为FA算法优化流程图。
图2为用于训练和测试的历史负荷数据。
图3为FA优化的Elman神经网络预测误差累和变化图。
图4为FA优化前后的Elman神经网络预测误差图。
图5为FA优化前后的Elman神经网络预测负荷曲线和实际负荷曲线分布情况。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示,基于FA优化Elman神经网络的短期负荷预测方法包括如下步骤:
一、确定Elman神经网络的拓扑结构,初始化神经网络的权值、阈值。
二、根据Elman神经网络的拓扑结构确定待优化神经网络的权值和阈值的数目,依据待优化权值和阈值的数目,初始化FA中的种群个体维度。
待优化的权值、阈值包括所有输入层和隐含层之间的权值,所有隐含层和输出层之间的权值,所有隐含层节点的阈值,所有输出层节点的阈值;FA中种群个体维度为所有待优化权值、阈值的总数目。
三、为了避免输入、输出数据数量级差别造成预测误差,对训练集和测试集所有数据进行归一化处理。
通过式(1),对所有数据进行归一化处理:
式中,xmax,xmin分别为数据的最大、最小值;xi,xi *为归一化前后的数据;
训练好的完成优化的Elman神经网络的预测数据按式(2)进行反归一化,得到预测负荷值:
yi=yi **(xmax-xmin)+xmin (2)
式中,yi *,yi为反归一化前后的预测数据。
四、利用训练集数据对神经网络进行训练,以训练后Elman神经网络的预测输出和实际负荷输出的差值作为目标函数,利用FA优化Elman神经网络的权值、阈值,直至达到算法停止运行条件。
FA优化过程包括四个步骤:荧光素更新、移动概率计算、萤火虫位置更新及动态决策域更新。先进行荧光素的更新,然后根据个体荧光素的大小进行移动概率的计算,根据移动概率对个体的位置进行更新,再根据新的位置和荧光素大小来规定动态决策域的大小,也就是一个萤火虫能影响到其他萤火虫的范围,最后根据动态决策域进行循优。
1)荧光素更新:
荧光素的更新与当前萤火虫所处的位置、前一时刻荧光素的残留量有关,其更新方程为:
Li(t)=(1-ρ)Li(t-1)+ωf(Xi(t)) (3)
式中,Li(t)与Li(t-1)分别为当前时刻与前一时刻的荧光素值;ρ∈(0,1)为荧光素挥发因子;f(Xi(t))为当前萤火虫位置的适应度函数值,即当前迭代次数下的训练后Elman神经网络的预测输出和实际负荷输出的差值;ω为萤火虫位置对适应度函数的影响因子。
2)萤火虫移动概率计算:
萤火虫的亮度越大,对周围萤火虫的吸引力越大,周围萤火虫被吸引移动的概率就越高,其计算方法为:
式中,Pij(t)为萤火虫i向萤火虫j移动的概率;Ni(t)为比当前萤火虫i荧光素高的萤火虫邻域集,k表示Ni(t)中的萤火虫。
只有萤火虫i的移动概率大于萤火虫j的移动概率,才会按照后续的位置更新公式,萤火虫i向萤火虫j移动。
3)萤火虫位置更新:
萤火虫位置更新方程为:
式中,Xi(t)与Xi(t+1)分别为当前时刻与下一时刻萤火虫i所处的位置,即当前迭代次数和下一次迭代次数下的Elman神经网络的权值、阈值大小,Xj(t)与Xj(t+1)分别为当前时刻与下一时刻萤火虫j所处的位置;s为萤火虫移动步长。
4)萤火虫动态决策域更新:
动态决策域更新公式为:
式中:r为萤火虫感知半径,表征萤火虫最大视线范围;β为邻域变化率,表示邻域的变化程度;ni为邻域阀值,表示个体邻域集内包含萤火虫数目阀值;rd为萤火虫动态决策半径,与分别表示当前时刻与下一时刻萤火虫i的动态决策半径。
五、利用训练集所有数据对完成优化的Elman神经网络进行训练,利用训练好的完成优化的Elman神经网络针对测试集所有数据进行预测,得到预测结果。
接下来参照实例进行步骤的说明。
步骤1,通过查阅资料和相关实例,确定Elman神经网络的拓扑结构为9-11-1,即输入层节点个数为9,隐含层节点个数为11,输出层节点个数为1。
步骤2,根据Elman神经网络的拓扑结构确定待优化神经网络的权值和阈值的数目分别为9、11、1,初始化萤火虫算法(FA)中的种群个体维度为122。
步骤3,为了避免输入、输出数据数量级差别造成预测误差,对训练集和测试集所有数据进行归一化处理。
步骤4,以EUINITE比赛中电力负荷真实数据为例进行分析,数据为每半个小时采集一次,一天采集48次,选用30日数据,共1440个数据作为本文实验数据,如图2所示,选取前1383个样本为训练集,后48个样本为测试集,利用训练集数据对神经网络进行训练,以训练后Elman神经网络的预测输出和实际负荷输出的差值作为目标函数,利用FA优化Elman神经网络的权值、阈值。
步骤5,利用训练集所有数据对完成优化的Elman神经网络进行训练;利用训练好的完成优化的Elman神经网络针对测试集所有数据进行预测,得到预测结果,结果如图3、4、5所示。
由此可见,利用基于FA优化Elman神经网络的短期负荷预测方法预测电力负荷,通过仿真验算分析可知FA优化的Elman神经网络相比于传统的Elman神经网络的优越性。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于,包括如下步骤:
步骤1,确定Elman神经网络的拓扑结构,初始化神经网络的权值、阈值;
步骤2,根据Elman神经网络的拓扑结构确定待优化神经网络的权值和阈值的数目,依据待优化权值和阈值的数目,初始化FA中的种群个体维度;
步骤3,对训练集和测试集所有数据进行归一化处理;
步骤4,利用训练集数据对神经网络进行训练,以训练后Elman神经网络的预测输出和实际负荷输出的差值作为目标函数,利用FA优化Elman神经网络的权值、阈值,直至达到算法停止运行条件;
步骤5,利用训练集所有数据对完成优化的Elman神经网络进行训练,利用训练好的完成优化的Elman神经网络针对测试集所有数据进行预测,得到预测结果。
2.如权利要求1所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述步骤2中,待优化的权值、阈值包括所有输入层和隐含层之间的权值,所有隐含层和输出层之间的权值,所有隐含层节点的阈值,所有输出层节点的阈值;FA中种群个体维度为所有待优化权值、阈值的总数目。
3.如权利要求1所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述步骤3中,通过式(1),对所有数据进行归一化处理:
式中,xmax,xmin分别为数据的最大、最小值;xi,xi *为归一化前后的数据;
训练好的完成优化的Elman神经网络的预测数据按式(2)进行反归一化,得到预测负荷值:
yi=yi **(xmax-xmin)+xmin (2)
式中,yi *,yi为反归一化前后的预测数据。
4.如权利要求1所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述步骤4中,FA优化过程包括四个步骤:荧光素更新、移动概率计算、萤火虫位置更新及动态决策域更新。
5.如权利要求4所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述荧光素更新具体如下:
荧光素的更新与当前萤火虫所处的位置、前一时刻荧光素的残留量有关,其更新方程为:
Li(t)=(1-ρ)Li(t-1)+ωf(Xi(t)) (3)
式中,Li(t)与Li(t-1)分别为当前时刻与前一时刻的荧光素值;ρ∈(0,1)为荧光素挥发因子;f(Xi(t))为当前萤火虫位置的适应度函数值,即当前迭代次数下的训练后Elman神经网络的预测输出和实际负荷输出的差值;ω为萤火虫位置对适应度函数的影响因子。
6.如权利要求5所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述移动概率计算具体如下:
萤火虫的亮度越大,对周围萤火虫的吸引力越大,周围萤火虫被吸引移动的概率就越高,其计算方法为:
式中,Pij(t)为萤火虫i向萤火虫j移动的概率;Ni(t)为比当前萤火虫i荧光素高的萤火虫邻域集,k表示Ni(t)中的萤火虫。
7.如权利要求6所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述萤火虫位置更新具体如下:
萤火虫位置更新方程为:
式中,Xi(t)与Xi(t+1)分别为当前时刻与下一时刻萤火虫i所处的位置,即当前迭代次数和下一次迭代次数下的Elman神经网络的权值、阈值大小,Xj(t)与Xj(t+1)分别为当前时刻与下一时刻萤火虫j所处的位置;s为萤火虫移动步长。
8.如权利要求7所述的一种基于FA优化Elman神经网络的短期负荷预测方法,其特征在于:所述动态决策域更新具体如下:
动态决策域更新公式为:
式中:r为萤火虫感知半径,表征萤火虫最大视线范围;β为邻域变化率,表示邻域的变化程度;ni为邻域阀值,表示个体邻域集内包含萤火虫数目阀值;rd为萤火虫动态决策半径,与分别表示当前时刻与下一时刻萤火虫i的动态决策半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410224.2A CN110097236A (zh) | 2019-05-16 | 2019-05-16 | 一种基于FA优化Elman神经网络的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410224.2A CN110097236A (zh) | 2019-05-16 | 2019-05-16 | 一种基于FA优化Elman神经网络的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097236A true CN110097236A (zh) | 2019-08-06 |
Family
ID=67448324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410224.2A Pending CN110097236A (zh) | 2019-05-16 | 2019-05-16 | 一种基于FA优化Elman神经网络的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097236A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898799A (zh) * | 2020-06-24 | 2020-11-06 | 南京理工大学 | 一种基于BFA-Elman的电力负荷预测方法 |
CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
CN117977564A (zh) * | 2024-01-02 | 2024-05-03 | 国网江苏省电力有限公司宿迁供电分公司 | 一种区域配电网双侧优化调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104578051A (zh) * | 2014-12-28 | 2015-04-29 | 张海梁 | 一种基于萤火虫算法的配电网状态估计方法 |
CN106529701A (zh) * | 2016-10-21 | 2017-03-22 | 国网吉林省电力有限公司信息通信公司 | 基于改进的萤火虫算法优化神经网络的光纤状态预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN108053328A (zh) * | 2017-12-13 | 2018-05-18 | 广州市景心科技股份有限公司 | 一种主叫号码对碎屏险业务需求的检测方法 |
CN108734321A (zh) * | 2018-05-17 | 2018-11-02 | 江苏大学 | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 |
-
2019
- 2019-05-16 CN CN201910410224.2A patent/CN110097236A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104578051A (zh) * | 2014-12-28 | 2015-04-29 | 张海梁 | 一种基于萤火虫算法的配电网状态估计方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106529701A (zh) * | 2016-10-21 | 2017-03-22 | 国网吉林省电力有限公司信息通信公司 | 基于改进的萤火虫算法优化神经网络的光纤状态预测方法 |
CN108053328A (zh) * | 2017-12-13 | 2018-05-18 | 广州市景心科技股份有限公司 | 一种主叫号码对碎屏险业务需求的检测方法 |
CN108734321A (zh) * | 2018-05-17 | 2018-11-02 | 江苏大学 | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898799A (zh) * | 2020-06-24 | 2020-11-06 | 南京理工大学 | 一种基于BFA-Elman的电力负荷预测方法 |
CN111898799B (zh) * | 2020-06-24 | 2022-09-27 | 南京理工大学 | 一种基于BFA-Elman的电力负荷预测方法 |
CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
CN117977564A (zh) * | 2024-01-02 | 2024-05-03 | 国网江苏省电力有限公司宿迁供电分公司 | 一种区域配电网双侧优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097236A (zh) | 一种基于FA优化Elman神经网络的短期负荷预测方法 | |
Zhang et al. | Backtracking search algorithm with three constraint handling methods for constrained optimization problems | |
CN104636985B (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
Xu et al. | A modified water cycle algorithm for long-term multi-reservoir optimization | |
CN117541026B (zh) | 一种智能物流运输车辆调度方法及系统 | |
CN105574586B (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
Yao et al. | Hybrid model for displacement prediction of tunnel surrounding rock | |
CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
CN107453921A (zh) | 基于非线性神经网络的智慧城市系统人工智能评价方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN106599495A (zh) | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 | |
Dorokhova et al. | Routing of electric vehicles with intermediary charging stations: A reinforcement learning approach | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
CN110322342A (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
CN113595798A (zh) | 改进闪电连接过程优化算法的网络流量预测方法及系统 | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN110021168B (zh) | 一种车联网下实现实时智能交通管理的分级决策方法 | |
Coelho et al. | A heuristic fuzzy algorithm bio-inspired by evolution strategies for energy forecasting problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |
|
RJ01 | Rejection of invention patent application after publication |