蚁群神经网络用于农村电力短期负荷预测

为了进一步提高农村电力系统短期负荷预测模型的性能,实现准确与快速预测农村电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,构造了一种蚁群神经网络(ACAN)预测模型。对某农村地区电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果。     

神经网络法短期负荷预测

本文提出了基于神经网络的电力系统短期负荷预测方法，采用反向传播自学习算法，获取一个四层的前馈神经网络，将此神经网络用于电力系统按小时进行预测。     

模糊控制理论与RBF神经网络相结合的短期负荷预测

负荷预测中神经网络算法精度较高但计算非常复杂。该文引入了模糊理论,有效地解决了计算精度与计算复杂程度的矛盾。     

综合流域管理与气象管理的智能负荷预测方法

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,公司同业对标中要求短期负荷预测准确率不低于93%才视为合格。近年可再生能源发电的大量接入,使得可再生能源消纳和负荷预测工作更加困难。针对江山市水电、光伏等可再生能源发电较多,气象敏感负荷占比较重等特点,通过综合流域管理与气象管理的方式,建立不同的发电预测模型,实现更有针对性的负荷预测方法。结果表明,该负荷预测方法预测结果优越,江山市供电公司的平均负荷预测准确率由91.26%提升至94.23%。     

基于Lyapunov指数的电力系统短期负荷预测

短期负荷预测为发电计划程序提供数据,是电力系统经济运行和安全控制的基础。介绍Lyapunov指数预测法的步骤,以东北电网1994年的负荷数据为例,探讨Lyapunov指数预测法的预测准确性,确定其误差符合电力负荷预测的要求,适于在电力系统短期负荷预测中广泛应用。     

房山电网“十三五”用电负荷预测

正负荷预测是电力部门的重要工作之一,根据预测周期可以分为超短期负荷预测、短期负荷预测及中长期负荷预测。中长期负荷预测一般以年为单位,是电力规划、生产和运行等工作的重要基础。准确的负荷预测是电网规划建设、电量平衡分析、保证用电需求、提高供电可靠性的重要保障。1房山电网历史负荷情况分析截至2014年底,房山地区最大瞬时负荷708.8 MW,发生在2014年12月9日17时57分,同比2013年最大负荷     

基于灰色预测的模糊神经网络孵化控制系统

提出一种基于灰色预测的模糊神经网络控制策略,并应用在孵化过程控制系统中.运用灰色预测技术对孵化参数进行预测,方便后续控制,而模糊神经网络则控制过程的动态特性,保证孵化参数的精确和稳定控制.仿真结果表明,该系统能在50 s内将被控对象稳定,具有良好的动态和静态特性.     

分类管理方法在短期负荷预测工作中的应用

<正>负荷预测方法比较多,应用比较广泛的负荷预测方法有趋势分析法、回归分析法、弹性系数法等。虽然各种方法各有千秋,但还没有一种适应于电网负荷基数低、负荷突变明显的县级电网短期负荷预测方法。笔者针对国网山东成武县供电公司电网负荷特点,通过多年的实践总结,使用分类研究、各个击破的方法,探索出一套短期负荷分类预测法的创新模式。     

河川径流预测方法比较研究

通过实际算例分析比较了灰色预测模型、小波分析法、小波神经网络和模糊神经网络河川径流预测方法,结果表明：灰色预测模型和小波分析法预测结果误差比较大且分布不均匀,小波神经网络和模糊神经网络预测结果明显好于灰色预测模型和小波分析法。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

我国农机总动力需求的模糊神经网络预测模型

利用模糊神经网络建立了具有时间序列对象的预测模型，提出了相应的模糊化方法，并对我国农机总动力需求进行了预测，预测结果和实际情况的有较好的一致性。     

基于遗传对角回归神经网络的农机总动力预测

利用遗传算法强全局随机搜索特点,结合DRNN神经网络对非线性数据具有鲁棒性和自学习能力的优点,通过将历年农机总动力数据作为时间序列进行分析,建立DRNN神经网络预测模型对农机总量进行预测。本文采用遗传算法对DRNN神经网络进行训练,可克服基于梯度算法的神经训练算法的缺点,收敛速度快,可达到全局最优。通过与校验用数据的比较证明本文建立的预测模型具有较高的精度。     

遗传神经网络在温室黄瓜霜霉病预测中的应用

在神经网络结构的优化、连续权重的训练中采用遗传算法的方法对日光温室黄瓜霜霉病进行预测，并对其发生程度进行了拟合，计算值与实际值接近，表明该模型具有良好的预测效果。     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

基于量子遗传模糊神经网络的苹果果实识别

针对田间苹果采摘机器人视觉系统中彩色图像边界像素的模糊性和不确定性影响苹果果实识别精度和速度问题,提出了一种将量子遗传算法的全局搜索能力和模糊推理神经网络的自适应性相结合的算法来识别苹果果实。利用量子遗传算法对模糊神经网络的可调整参数初始值进行了全局优化,加快了网络学习速度,避免了传统BP误差反向传播学习算法易陷入局部极小值、迭代次数多等弊端。实验表明：该识别模型高速且稳定,鲁棒性好,对于果实本身颜色不均匀样本正确识别率为100%,对自然光照引起颜色不均匀样本正确识别率为96.86%,对邻接图像正确识别率为94.29%,对重叠图像正确识别率为92.31%。     

递阶遗传算法优化的模糊神经网络的故障诊断应用

提出一种利用递阶结构的混合编码遗传算法与进化规划相结合优化模糊神经网络学习的新算法,利用该算法同时优化模糊神经网络的结构和参数,剔除网络的冗余接点和冗余连接,提高网络的处理能力。分析和实验结果表明,所构建的机械故障诊断模糊神经网络结构简洁,而且具有良好的诊断效果。     

基于遗传模糊神经网络的植物病斑区域图像分割模型

针对植物病斑区域图像边界的模糊性和不确定性因素,利用模糊逻辑的推理规则和神经网络的自适应性,提出全规则的自适应模糊神经网络模型作为植物病叶图像像素归属的决策系统,并利用遗传算法对系统的可调整参数初始值进行全局优化,提高了网络训练速度,避免了传统BP算法的局部最小值。通过对马铃薯早疫病病斑图像分割的实验表明,该模型速度快且稳定,精度高且鲁棒性好,简单易于实现。     

电动助力转向系统机械与控制参数集成优化

建立了电动助力转向(EPS)系统的动力学模型,采用模糊神经网络控制策略进行了系统的控制,在提出目标函数的基础上,用遗传算法对EPS系统机械参数和控制参数进行集成优化。仿真结果表明:采用集成优化方法能使EPS系统的机械参数和控制器参数的匹配更合理,可以提高汽车的操纵性能。     

基于参数化遗传神经网络的植物病害预测方法

将混合神经网络(PFNN—FG)技术应用于植物病害预测，其输入矢量含模糊分量，遗传算法优化配置各参数。变形Sigmoid函数用于不同的隐含层，构成参数化神经网络。网络的输入层引入模糊集合理论，使网络能处理语义变量。将PFNN—FG和其他神经网络(如前向神经网络、径向基神经网络等)用于大豆基准问题进行分析比较，结果是PFNN—FG在精度和训练速度上优于其他网络。将PFNN—FG和前向神经网络用于2组黄瓜霜霉病数据，前者测试组的均方根误差小于后者。     

神经网络模型在农村人均收入预测中的应用

利用人工神经网络建立了具有时间序列对象的预测模型，并提出了基于体模型的数据处理方法，在此基础上，对吉林省榆树县大坡镇两家村的人均收进行了预测，证实了本模型的正确性和科学性。