CN110895772A - 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 - Google Patents
基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 Download PDFInfo
- Publication number
- CN110895772A CN110895772A CN201911092435.2A CN201911092435A CN110895772A CN 110895772 A CN110895772 A CN 110895772A CN 201911092435 A CN201911092435 A CN 201911092435A CN 110895772 A CN110895772 A CN 110895772A
- Authority
- CN
- China
- Prior art keywords
- particle
- optimal solution
- electricity sales
- iteration
- algorithm
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 239000002245 particle Substances 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 18
- 238000000137 annealing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000002922 simulated annealing Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (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
本发明公开了一种基于灰色关联分析与SA‑PSO‑Elman算法结合的售电量预测方法。由于电网企业售电量受到诸多因素影响,因此电网企业售电量数据序列表现出复杂的非线性变化,难以用准确的数学模型描述。本发明采用的技术方案包括如下步骤:1)采用灰色关联分析法客观地选出售电量的主要影响因子;2)将影响因子作为Elman神经网络的输入,利用SA‑PSO‑Elman算法确定售电量预测的训练参数;3)将训练参数代入售电量预测模型,建立售电量预测模型,对售电量进行预测。本发明使得售电企业能够对销售电量进行准确合理的估算,便于售电企业有效地管理和控制售电企业的投资和收益。
Description
技术领域
本发明属于电网企业售电量预测领域,具体涉及一种电网企业售电量预测方法。
背景技术
电网售电量是电网企业投资和成本管控的重要组成部分,为了制定最佳的投资策略,需要对电网售电量进行准确合理的估算。但是电网企业售电量由于受到诸多因素影响,因此电网企业售电量数据序列表现出复杂的非线性变化,难以用准确的数学模型描述。
现有利用Elman神经网络建立售电量预测模型,见王世亭,周春来,冯静,et al.基于Elman神经网络的电力负荷预测研究[C]//第九届全国信号和智能信息处理与应用学术会议.0.然而Elman神经网络使用误差反向传播算法实施权值修正,具有训练时间长、收敛速度较慢、易陷入局部极小值等不足。
在很多领域的研究中,包括电力经济学在内,其涉及诸多影响因素的复杂非线性问题,宗学军等人在2016年提出了基于灰色关联分析与SA-PSO-Elman算法结合的统计预测方法,受此启发,此文章在灰色关联分析与SA-PSO-Elman算法结合的基础上,进行电量预测,克服了神经网络收敛速度慢、易陷入局部极小值等缺陷。
发明内容
本发明的目的在于准确预测电量,提供一种基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法,通过分析确定预测模型的训练参数,建立电网企业售电量预测模型,以便于电网企业对售电量进行准确合理的估算,能够满足电网企业对购电成本和收入的准确预测的需求。
为此,本发明采用如下的技术方案:基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法,其包括步骤:
1)采用灰色关联分析法客观地选出售电量的主要影响因子;
2)将影响因子作为Elman神经网络的输入,利用SA-PSO-Elman算法确定售电量预测的训练参数;
3)将训练参数代入售电量预测模型,建立售电量预测模型,对售电量进行预测。
具体实施方式包括以下步骤:
1)采用灰色关联分析法客观地选出售电量的主要影响因子;
设有10个影响因素序列组{X1(t)},{X2(t)},…,{X10(t)},(其中,X1,X2,…,X10为10个影响因素,t为样本点数,t=1,2,…,N),设售电量序列为{X0(t)},灰色关联分析的基本步骤如下:
(a)数据归一化。
(b)计算关联系数。在t=k时输出序列{X0(t)}与输入序列{Xi(t)}}的关联系数δαi(k)由下式计算:
式中:Δαi(k)=|X0(k)-Xi(k)|,1<i<10;ρ为分辨系数,ρ∈[0,1],通常取0.5。
(c)求关联度。归纳各点的关联系数,获得Xi曲线与X0曲线的关联度,即
(d)排关联序。因素间的关联程度可通过关联度的大小次序描述,根据输入序列{Xi(t)}}对输出序列{X0(t)}的关联度大小排序,便构成了关联序,它反映了对于输出序列来说各输入序列的“优劣关系”。
2)将影响因子作为Elman神经网络的输入,利用SA-PSO-Elman算法确定售电量预测的训练参数;
(a)确定Elman神经网络的结构。将其连接权值和阈值表示为SA-PSO算法的粒子,并通过各层的节点数目确定PSO算法的维度,如下式:
D=(P+1)*M+(M+1)N (11)
式中:D为PSO算法的维度;P为Elman神经网络的输入层节点数;M为Elman神经网络的隐含层节点数;N为Elman神经网络的输出层节点数。
(b)SA-PSO算法的参数初始化。给定微粒群规模、进化代数、学习因子、惯性权重,并设定初始温度和退火速度等。
(c)随机初始化种群的位置和速度,并计算每一个粒子的适应度值。Elman神经网络的权值和阈值由粒子群的位置表示,采用SA-PSO算法来迭代搜寻Elman神经网络的权值和阈值,并采用误差平方和函数作为每个粒子的适应度函数,即
(d)对每个粒子的适应度值进行评价,更新粒子的最优解和全局最优解。若当前粒子的适应度值优于个体最优解pbest,则pbest更新为当前粒子的适应度值;若当前粒子的适应度值优于全局最优解gbest,则将当前粒子的适应度值作为全局最优解gbest,同时保存当前粒子的位置。
(e)更新粒子的位置和速度。
(f)引入模拟退火思想,对更新的粒子群进行退火处理。当更新前后的粒子的适应度值的变化量ΔE<0.01时,更新粒子的个体最优解和全局最优解。
(g)当有粒子的极值更新时,进行降温,否则不降温。退火机制为
Tk=ρT0 (13)
式中:Tk为温度控制参数;ρ为退火速度;T0为初始温度。
(h)判断是否满足精度要求或迭代终止条件,若满足,则算法中止,输出Elman神经网络权值和阈值;否则跳转到(c),继续迭代。
3)将训练参数代入售电量预测模型,建立售电量预测模型,对售电量进行预测。
本发明便于电网企业对售电量进行准确合理的估算,能够满足电网企业对购电成本和收入的准确预测的需求。
附图说明
图1是Elman神经网络结构
图2是PSO算法优化Elman神经网络流程图
具体实施方式
如图1和图2所示,本发明基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法,其包括步骤:
1)采用灰色关联分析法客观地选出售电量的主要影响因子;
2)将影响因子作为Elman神经网络的输入,利用SA-PSO-Elman算法确定售电量预测的训练参数;
3)将训练参数代入售电量预测模型,建立售电量预测模型,对售电量进行预测。
具体实施方式包括以下步骤:
1)采用灰色关联分析法客观地选出售电量的主要影响因子;
设有10个影响因素序列组{X1(t)},{X2(t)},…,{X10(t)},(其中,X1,X2,…,X10为10个影响因素,t为样本点数,t=1,2,…,N),设售电量序列为{X0(t)},灰色关联分析的基本步骤如下:
(a)数据归一化。
(b)计算关联系数。在t=k时输出序列{X0(t)}与输入序列{Xi(t)}}的关联系数δαi(k)由下式计算:
式中:Δαi(k)=|X0(k)-Xi(k)|,1<i<10;ρ为分辨系数,ρ∈[0,1],通常取0.5。
(c)求关联度。归纳各点的关联系数,获得Xi曲线与X0曲线的关联度,即
(d)排关联序。因素间的关联程度可通过关联度的大小次序描述,根据输入序列{Xi(t)}}对输出序列{X0(t)}的关联度大小排序,便构成了关联序,它反映了对于输出序列来说各输入序列的“优劣关系”。
2)将影响因子作为Elman神经网络的输入,利用SA-PSO-Elman算法确定售电量预测的训练参数;
(a)确定Elman神经网络的结构。将其连接权值和阈值表示为SA-PSO算法的粒子,并通过各层的节点数目确定PSO算法的维度,如下式:
D=(P+1)*M+(M+1)N (11)
式中:D为PSO算法的维度;P为Elman神经网络的输入层节点数;M为Elman神经网络的隐含层节点数;N为Elman神经网络的输出层节点数。
(b)SA-PSO算法的参数初始化。给定微粒群规模、进化代数、学习因子、惯性权重,并设定初始温度和退火速度等。
(c)随机初始化种群的位置和速度,并计算每一个粒子的适应度值。Elman神经网络的权值和阈值由粒子群的位置表示,采用SA-PSO算法来迭代搜寻Elman神经网络的权值和阈值,并采用误差平方和函数作为每个粒子的适应度函数,即
(d)对每个粒子的适应度值进行评价,更新粒子的最优解和全局最优解。若当前粒子的适应度值优于个体最优解pbest,则pbest更新为当前粒子的适应度值;若当前粒子的适应度值优于全局最优解gbest,则将当前粒子的适应度值作为全局最优解gbest,同时保存当前粒子的位置。
(e)更新粒子的位置和速度。
(f)引入模拟退火思想,对更新的粒子群进行退火处理。当更新前后的粒子的适应度值的变化量ΔE<0.01时,更新粒子的个体最优解和全局最优解。
(g)当有粒子的极值更新时,进行降温,否则不降温。退火机制为
Tk=ρT0 (13)
式中:Tk为温度控制参数;ρ为退火速度;T0为初始温度。
(h)判断是否满足精度要求或迭代终止条件,若满足,则算法中止,输出Elman神经网络权值和阈值;否则跳转到(c),继续迭代。
3)将训练参数代入售电量预测模型,建立售电量预测模型,对售电量进行预测。
其中,为了消除指标之间的量纲影响,需要进行数据标准化处理,使用premnmx函数将样本数据归一化到[-1,1]之间。
模拟退火算法初始化为某一较高温度,随着温度的逐渐下降,结合概率突跳特性在搜索空间中随机搜索待优化问题的全局最优解,即可以概率性地跳出局部最优解,并最终找到全局最优解。在基本的粒子群算法中,粒子通过追踪两个最优解来更新自己,算法易于实现且寻优速度快,但在迭代寻优时,仍存在早熟收敛和收敛速度慢的问题,且随着迭代次数的增加,种群多样性逐渐降低,导致局部收敛。基于模拟退火的粒子群算法是将模拟退火的思想引入到PSO算法中,在每一次迭代中对每个粒子引入模拟退火机制,对PSO算法每次迭代后的适应度值引入Meteropolis接受准则使PSO算法可以跳出局部极值,自适应调整退火温度,直到微粒收敛到全局最优解。
PSO算法是一种基于迭代的优化方法,该算法参数设置少、易于实现。PSO算法随机产生一个初始种群,通过迭代找到待优化问题的最优解。在迭代过程当中产生两个当前最优解:一个是粒子当前找到的个体最优解pbest;另一个是整个种群当前找到的全局最优解gbest。在每一次的迭代进程中,微粒在解空间中进行搜索,通过追踪两个最优解来更新自身的位置和速度,当满足中止条件时,目前搜索到的全局最优解即为待优化问题的最优解。
假定在D维搜索空间中,种群包括m个粒子,第i个粒子的位置矢量和速度矢量分别为xi=(xi1,xi2,...,xid),vi=(vi1,vi2,...,vid)(i=1,2,...,m;d=1,2,...,D)。每个粒子的更新公式如下:
式中:t为迭代次数;c1和c2为学习因子,通常取c1=c2;r1和r2为[0,1]之间的随机数,用来保持种群的多样性表示第t+1次迭代粒子i速度矢量的d维分量;表示第t次迭代粒子i速度矢量的d维分量;表示第t次迭代粒子i个体最好位置矢量的d维分量;表示第t次迭代粒子i位置矢量的d维分量;表示前t次迭代粒子群最好位置矢量的d维分量;表示第t次迭代粒子群最好位置矢量的d维分量;表示第t+1次迭代粒子i位置矢量的d维分量;ω为惯性权重,为非负数,其表达式为
其中:ωmax为最大惯性权重;ψmin为最小惯性权重;t为当前的迭代次数;Tmax为最大迭代次数。
Claims (4)
1.基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法,其特征在于,包括步骤:
1)采用灰色关联分析法客观地选出售电量的主要影响因子;
设有10个影响因素序列组{X1(t)},{X2(t)},…,{X10(t)},(其中,X1,X2,…,X10为10个影响因素,t为样本点数,t=1,2,…,N),设售电量序列为{X0(t)},灰色关联分析的基本步骤如下:
(a)数据归一化;
(b)计算关联系数,在t=k时输出序列{X0(t)}与输入序列{Xi(t)}}的关联系数δαi(k)由下式计算:
式中:Δαi(k)=|X0(k)-Xi(k)|,1<i<10;ρ为分辨系数,ρ∈[0,1],通常取0.5;
(c)求关联度。归纳各点的关联系数,获得Xi曲线与X0曲线的关联度,即
(d)排关联序。因素间的关联程度可通过关联度的大小次序描述,根据输入序列{Xi(t)}}对输出序列{X0(t)}的关联度大小排序,便构成了关联序,它反映了对于输出序列来说各输入序列的“优劣关系”;
2)将影响因子作为Elman神经网络的输入,利用SA-PSO-Elman算法确定售电量预测的训练参数;
(a)确定Elman神经网络的结构。将其连接权值和阈值表示为SA-PSO算法的粒子,并通过各层的节点数目确定PSO算法的维度,如下式:
D=(P+1)*M+(M+1)N (3)
式中:D为PSO算法的维度;P为Elman神经网络的输入层节点数;M为Elman神经网络的隐含层节点数;N为Elman神经网络的输出层节点数;
(b)SA-PSO算法的参数初始化,给定微粒群规模、进化代数、学习因子、惯性权重,并设定初始温度和退火速度;
(c)随机初始化种群的位置和速度,并计算每一个粒子的适应度值。Elman神经网络的权值和阈值由粒子群的位置表示,采用SA-PSO算法来迭代搜寻Elman神经网络的权值和阈值,并采用误差平方和函数作为每个粒子的适应度函数,即
(d)对每个粒子的适应度值进行评价,更新粒子的最优解和全局最优解,若当前粒子的适应度值优于个体最优解pbest,则pbest更新为当前粒子的适应度值,若当前粒子的适应度值优于全局最优解gbest,则将当前粒子的适应度值作为全局最优解gbest,同时保存当前粒子的位置;
(e)更新粒子的位置和速度;
(f)引入模拟退火思想,对更新的粒子群进行退火处理,当更新前后的粒子的适应度值的变化量ΔE<0.01时,更新粒子的个体最优解和全局最优解;
(g)当有粒子的极值更新时,进行降温,否则不降温,退火机制为
Tk=ρT0 (5)
式中:Tk为温度控制参数;ρ为退火速度;T0为初始温度;
(h)判断是否满足精度要求或迭代终止条件,若满足,则算法中止,输出Elman神经网络权值和阈值;否则跳转到(c),继续迭代;
3)将训练参数代入售电量预测模型,建立售电量预测模型,对售电量进行预测。
2.根据权利要求1所述的数据归一化,其特征在于,使用premnmx函数将样本数据归一化到[-1,1]之间。
3.根据权利要求1所述的售电量预测方法,其特征在于,模拟退火算法初始化为某一较高温度,随着温度的逐渐下降,结合概率突跳特性在搜索空间中随机搜索待优化问题的全局最优解,即可以概率性地跳出局部最优解,并最终找到全局最优解。
4.根据权利要求3所述的售电量预测方法,其特征在于,PSO算法随机产生一个初始种群,通过迭代找到待优化问题的最优解;在迭代过程当中产生两个当前最优解:一个是粒子当前找到的个体最优解pbest;另一个是整个种群当前找到的全局最优解gbest,在每一次的迭代进程中,微粒在解空间中进行搜索,通过追踪两个最优解来更新自身的位置和速度,当满足中止条件时,目前搜索到的全局最优解即为待优化问题的最优解;
假定在D维搜索空间中,种群包括m个粒子,第i个粒子的位置矢量和速度矢量分别为xi=(xi1,xi2,...,xid),vi=(vi1,vi2,...,vid)(i=1,2,...,m;d=1,2,...,D),每个粒子的更新公式如下:
式中:t为迭代次数;c1和c2为学习因子,通常取c1=c2;r1和r2为[0,1]之间的随机数,用来保持种群的多样性表示第t+1次迭代粒子i速度矢量的d维分量;表示第t次迭代粒子i速度矢量的d维分量;表示第t次迭代粒子i个体最好位置矢量的d维分量;表示第t次迭代粒子i位置矢量的d维分量;表示前t次迭代粒子群最好位置矢量的d维分量;表示第t次迭代粒子群最好位置矢量的d维分量;表示第t+1次迭代粒子i位置矢量的d维分量;ω为惯性权重,为非负数,其表达式为
其中:ωmax为最大惯性权重;ωmin为最小惯性权重;t为当前的迭代次数;Tmax为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092435.2A CN110895772A (zh) | 2019-11-11 | 2019-11-11 | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092435.2A CN110895772A (zh) | 2019-11-11 | 2019-11-11 | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110895772A true CN110895772A (zh) | 2020-03-20 |
Family
ID=69786558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911092435.2A Pending CN110895772A (zh) | 2019-11-11 | 2019-11-11 | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895772A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
CN112257892A (zh) * | 2020-08-27 | 2021-01-22 | 中国石油化工股份有限公司 | 一种复杂气藏排水采气工艺制度优化方法 |
CN112861418A (zh) * | 2020-12-25 | 2021-05-28 | 三峡大学 | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 |
CN114970774A (zh) * | 2022-07-29 | 2022-08-30 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011229313A (ja) * | 2010-04-21 | 2011-11-10 | Chugoku Electric Power Co Inc:The | 発電量予測システム及びプログラム、売電量予測システム及びプログラム |
CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
CN109615169A (zh) * | 2018-11-08 | 2019-04-12 | 国家电网有限公司 | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 |
CN109978283A (zh) * | 2019-04-25 | 2019-07-05 | 中国人民解放军国防科技大学 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
-
2019
- 2019-11-11 CN CN201911092435.2A patent/CN110895772A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011229313A (ja) * | 2010-04-21 | 2011-11-10 | Chugoku Electric Power Co Inc:The | 発電量予測システム及びプログラム、売電量予測システム及びプログラム |
CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
CN109615169A (zh) * | 2018-11-08 | 2019-04-12 | 国家电网有限公司 | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 |
CN109978283A (zh) * | 2019-04-25 | 2019-07-05 | 中国人民解放军国防科技大学 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
宗学军: "基于灰色关联分析与SA-PSO-Elman结合的地震直接经济损失评估" * |
杨泽众等: "基于灰色关联分析和BP神经网络的用电量预测" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
CN111581832B (zh) * | 2020-05-12 | 2023-01-03 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
CN111695290B (zh) * | 2020-05-14 | 2024-04-09 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
CN112257892A (zh) * | 2020-08-27 | 2021-01-22 | 中国石油化工股份有限公司 | 一种复杂气藏排水采气工艺制度优化方法 |
CN112257892B (zh) * | 2020-08-27 | 2024-04-16 | 中国石油化工股份有限公司 | 一种复杂气藏排水采气工艺制度优化方法 |
CN112861418A (zh) * | 2020-12-25 | 2021-05-28 | 三峡大学 | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 |
CN114970774A (zh) * | 2022-07-29 | 2022-08-30 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
CN114970774B (zh) * | 2022-07-29 | 2022-11-25 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
Pan et al. | A comparison of neural network backpropagation algorithms for electricity load forecasting | |
CA2550180C (en) | Robust modeling | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
CN112700060B (zh) | 站所终端负荷预测方法和预测装置 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN110471768A (zh) | 一种基于fastPCA-ARIMA的负载预测方法 | |
CN113988358A (zh) | 基于迁移强化学习的碳排放指数预测与治理方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
Lobel et al. | Q-functionals for value-based continuous control | |
Ying et al. | A novel optimization algorithm for BP neural network based on RS-MEA | |
CN113222256A (zh) | 一种基于mpso-lstm模型的股票预测方法及系统 | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
CN111079995A (zh) | 电力负荷非线性调和综合预测方法、装置及存储介质 | |
CN111461282A (zh) | 一种基于改进量子行为粒子群算法的模型辨识方法 | |
CN110322055A (zh) | 一种提高数据风险模型评分稳定性的方法和系统 | |
CN110308655A (zh) | 一种基于a3c算法的伺服系统补偿方法 |
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: 20200320 |
|
RJ01 | Rejection of invention patent application after publication |