检索结果-内蒙古大学图书馆

无线互联科技 2025年第7期22卷 111-114页

作者：王文欣刘霁萱施振雷辽宁工程技术大学电气与控制工程学院辽宁葫芦岛125105

针对短期风电功率的多样性与非平稳特性,传统预测模型在时空特征提取方面存在明显局限性。现有方法对风电场历史运行数据的时空耦合特性挖掘不足,难以有效捕捉其动态演化规律与潜在特征关联,导致预测精度难以满足电网调度的实际需求。... 详细信息

针对短期风电功率的多样性与非平稳特性,传统预测模型在时空特征提取方面存在明显局限性。现有方法对风电场历史运行数据的时空耦合特性挖掘不足,难以有效捕捉其动态演化规律与潜在特征关联,导致预测精度难以满足电网调度的实际需求。为改善这一现状,文章提出一种基于粒子群优化算法(Particle Swarm Optimization,pso)与反向传播神经网络(Backpropagation,bp)的混合预测框架。在该算法结构中,每个粒子对应一个网络参数组合的潜在解,通过迭代寻优机制动态更新粒子的运动轨迹,其速度向量和空间坐标依据个体最优值与群体最优值进行自适应调整。实证分析表明,文章提出的粒子群优化-反向传播神经网络混合算法(Particle Swarm Optimization-Backpropagation Neural Network Hybrid Algorithm,pso-bp)在预测性能上具有显著优势。通过引入粒子群优化算法进行参数寻优,可有效改善神经网络陷入局部最优的问题,从而提升风电功率预测的准确性与稳定性。

关键词： bp神经网络 pso-bp混合算法短期风电功率预测

来源：评论

学校读者我要写书评

暂无评论

基于pso-bp混合算法的短期电力负荷预测

引用

自动化与仪器仪表 2009年第2期 40-41,53页

作者：田丽夏新运蒋慧张淑芳安徽工程科技学院安徽省电气传动与控制重点实验室安徽芜湖241000

将粒子群优化算法和bp神经网络算法相结合,形成粒子群-神经网络(pso-bp)混合算法,建立了涉及各种影响因素的短期负荷预测模型。运用所建立的pso-bp混合算法和bp算法的负荷预测模型进行短期负荷预测,比较所得结果可知,pso-bp混合算法预... 详细信息

将粒子群优化算法和bp神经网络算法相结合,形成粒子群-神经网络(pso-bp)混合算法,建立了涉及各种影响因素的短期负荷预测模型。运用所建立的pso-bp混合算法和bp算法的负荷预测模型进行短期负荷预测,比较所得结果可知,pso-bp混合算法预测精度较高,效果较好。

关键词：粒子群 pso-bp混合算法短期负荷预测

来源：评论

学校读者我要写书评

暂无评论

粒子群—神经网络混合算法及粗糙集理论在电力系统短期负荷预测中的应用

粒子群—神经网络混合算法及粗糙集理论在电力系统短期负荷预测中...

引用

作者：傅忠云福州大学

学位级别：硕士

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一。它关系到电力系统的调度运行和生产计划,其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。它的特点主要有:要预测的数据个数多、影响预... 详细信息

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一。它关系到电力系统的调度运行和生产计划,其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。它的特点主要有:要预测的数据个数多、影响预测的因素复杂且具有随机性和预测精度要求高等。随着电力市场的建立和发展,短期负荷预测已成为电力系统管理的现代化的重要内容之一。负荷预测的核心问题是如何选取合适的预测方法,即如何建立适用于所研究地区的负荷预测的数学模型。随着现代科学技术的不断发展,负荷预测的研究也在不断深化,各种各样的预测方法不断涌现,从经典的统计分析方法到现代的智能算法,使得负荷预测的精度得到了很大的提高。然而由于短期负荷预测问题的复杂性,因而都不可避免的表现出一定的局限性。粒子群优化(pso)算法是一种基于群智能方法的演化计算(evolutionary computation)技术,其思想来源于人工生命和演化计算理论。本文将这种新兴的智能技术与人工神经网络算法相结合,形成粒子群-神经网络(pso-bp)混合算法,建立计及各种影响因素的短期负荷预测模型。运用所建立的pso-bp混合算法和改进神经网络算法的负荷预测模型进行短期负荷预测,并比较所得结果可知,pso-bp混合算法明显优于改进神经网络算法。同时,考虑到不确定因素对短期负荷的影响及粗糙集(Rough Set)理论在处理不确定性问题中表现出来的优越性,本文还建立了Rough Set理论负荷预测模型对日负荷进行预测,预测结果完全满足了实际工程要求。本文最后还建立了前两种算法的组合预测模型,避免了单一模型的片面性,有效地降低了预测的风险。

关键词：粒子群算法人工神经网络 pso-bp混合算法粗糙集理论组合预测

来源：评论

学校读者我要写书评

暂无评论

西安烟草精准营销及服务系统方案设计

引用

西北大学学报（自然科学版） 2012年第5期42卷 753-757页

作者：路宏伟杨国平刘三阳陕西省烟草公司西安市公司陕西西安710700 西安电子科技大学数学系陕西西安710071

目的为求健全烟草市场,提升烟草行业的服务质量和盈利水平。方法基于pso-bp混合算法。结果设计了一个基于C/S和B/S混合模式的精准营销和客户自服务系统,具有预测卷烟销量,指导卷烟新品投放以及搭建客户服务平台等功能。在核心模块卷烟... 详细信息

目的为求健全烟草市场,提升烟草行业的服务质量和盈利水平。方法基于pso-bp混合算法。结果设计了一个基于C/S和B/S混合模式的精准营销和客户自服务系统,具有预测卷烟销量,指导卷烟新品投放以及搭建客户服务平台等功能。在核心模块卷烟销量预测中,建立了基于粒子群优化的bp神经网络的预测模型。结论该模型具有预测精度高的优点,可以精确指导香烟的投放比例和数量。

关键词：信息管理系统精准营销客户关系管理(CRM) pso-bp混合算法

来源：评论

学校读者我要写书评

暂无评论

T-S模型的辨识研究及其在加热炉中的应用

T-S模型的辨识研究及其在加热炉中的应用

引用

作者：孙杰东北大学

学位级别：硕士

加热炉是轧制生产环节中重要的热工设备,它在轧钢生产中占有十分重要的地位,其操作水平直接影响产品的质量、产量和生产消耗指标。加热炉的主要功能是加热钢坯到符合轧制的温度要求。然而,在实际生产中,加热炉内钢坯的温度是难以直接检... 详细信息

加热炉是轧制生产环节中重要的热工设备,它在轧钢生产中占有十分重要的地位,其操作水平直接影响产品的质量、产量和生产消耗指标。加热炉的主要功能是加热钢坯到符合轧制的温度要求。然而,在实际生产中,加热炉内钢坯的温度是难以直接检测和跟踪的。因此建立合理的钢温预测模型具有十分重要的意义。钢坯加热过程具有复杂工业对象的大滞后、多变量、强耦合、时变、非线性、大惯性等特点,而且炉内钢坯温度分布不能直接测量,外界扰动因素多,加热过程受多种生产工艺因素的制约。本文以蓄热步进梁式加热炉为背景,提出了利用T-S模糊模型对钢坯温度建立预测模型。采用前件和后件分开辨识的方法,首先利用模糊C-均值(FCM)聚类算法以及最小二乘法分别对模型的前后件进行结构和参数的辨识。为了进一步提高模型的精度和辨识的速度,本文对模型的辨识方法进行了改进。针对传统的FCM算法对初始值敏感而影响聚类效果、训练速度慢、在迭代时容易陷入局部极小等缺点,提出了减法聚类和FCM算法相结合的方法辨识前件网络。用减法聚类算法找到模糊聚类中心的迭代初值后,再用FCM算法进行聚类提高聚类的收敛速度和效果。然后用改进的粒子群与bp的混合算法来代替最小二乘法来辨识优化后件参数,最后根据某钢厂的现场数据进行仿真实验。仿真结果证明,改进后的T-S模型建立的钢温预测模型能更好的预测钢温。在模型规则数一定以及各参数一定的情况下,基于FCM以及最小二乘的T-S模糊模型只能辨识出唯一精度均方误差。若想提高该模型的辨识精度,需要增加规则,显然这就增加了模型的复杂性。改进辨识方法的T-S模型由于pso-bp算法在本质上的“随机性”能够把模型辨识精度指定到任意允许的范围内。这种不增加规则数就能提高辨识精度的模型显然更适合工程使用。根据预测的钢温,操作员就能及时的控制和处理,保证钢坯质量。因此,改进辨识方法的T-S模型不仅具有理论研究意义,而且具有实际应用的价值。

关键词： T-S模型辨识 pso-bp混合算法加热炉钢温预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：