GMDH网络在短期负荷预测中的应用

文章提出基于自组织方法的GMDH（Group Method of Data Halldlin亩型神经网络并将它应用于短期负荷预测。与一般的前馈神经网络不同,GMDH网络的结构确定于训练过程之中,因而可大大提高神经网络性能。它能充分、合理地利用数据,自动进行变量组合,筛选及判断从而得到合适的模型,特别适用于数据预测。将这种用自组织方法所构成的GMDH型神经网络应用于广西某地区电力局的短期负荷预测,采用Matlab6．5进行仿真实验,证明其在短期负荷预测方面有很好的应用前景。     

基于改进BP算法的短期电力系统负荷预测

BP算法较强的自学习能力使之可对短期电力负荷进行预测,将一种改进的BP神经网络学习算法应用于短期电力负荷预测中,该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度,使得预测结果具有更高的精度,算例验证了该算法处理短期电力系统负荷预测的高效性。     

基于回归BP神经网络的短期负荷预测

负荷的形成受多方面因素的影响,在建立短期负荷预测模型时,需要综合考虑多种因素.同时,负荷是一种时间序列信号,目前的数据能够对以后的数据产生重要的影响,所以文章采用回归BP神经网络模型应用于短期负荷预测.实例计算表明,该方法有效,预测精度比常规方法高,收敛性好,运算速度快.     

基于回归BP神经网络的短期负荷预测

负荷的形成受多方面因素的影响,在建立短期负荷预测模型时,需要综合考虑多种因素。同时,负荷是一种时间序列信号,目前的数据能够对以后的数据产生重要的影响,所以文章采用回归BP神经网络模型应用于短期负荷预测。实例计算表明,该方法有效,预测精度比常规方法高,收敛性好,运算速度快。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机(LS-SVM)算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于自组织数据挖掘的电子商务客户流失预测模型

为解决电子商务客户流失预测中的高维、非线性问题,本文将自组织数据挖掘理论(SODM)引入客户流失预测,提出一种新颖的基于自组织数据挖掘的电子商务客户流失预测模型。该方法将自组织数据挖掘中的客观系统分析算法(OSA)和改进分组数据处理网络(GMDH)集成起来进行电子商务客户流失预测。首先利用OSA算法选择出重要的电子商务客户流失关键属性,然后将训练样本送入改进GMDH网络进行学习和训练,进而对测试样本客户流失状态进行判别。将该方法应用于某网上商店客户流失预测实证分析,预测结果验证了该方法对包含多种因素影响的电子商务客户流失预测具有优势,基于自组织数据挖掘的电子商务客户流失预测模型具有较强的实用性和可操作性。     

电力系统短期负荷预测方法综述

本文主要是针对电力系统的短期负荷预测的概念和意义进行综述,就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析.在目前的预测方法里,主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法.从这些预测方法入手进行综合的应用原理分析,比较其不同预测方法的优点及不足的地方.并且提出了短期负荷预测的精度提升了,不仅在历史的数据上重视了其积累,还应重视在预测的模型选择上要合适,综合型预测模型在未来电力负荷预测方法的必然性.     

人工神经网络用于短期电力负荷预测网络结构初探

目前,在电力系统短期负荷预测的手段中,已由人工预测方式逐步被软件预测方式所代替.BP人工神经网络是最常用的建立负荷预测模型的工具之一,文章对建立电力负荷BP神经网络预测模型(网络结构)进行了讨论.     

浅析影响地区电网短期负荷预测的因素及提高其准确率的方法

负荷预测是电网安全运行、经济调度的必要基础,尤其是电网的短期负荷预测,它是提高电网整体经济运行的基础.提高电力系统负荷预测的准确率,可以提高电网运行的安全性和经济性,并可以改善电能质量.本文结合营口电网的实际情况,简述了影响电网短期负荷预测工作的几点因素,提出提高短期负荷预测准确率的几项措施,并结合实际总结出提高电网短期负荷预测的方法.     

人工神经网络用于短期电力负荷预测网络结构初探

目前,在电力系统短期负荷预测的手段中,已由人工预测方式逐步被软件预测方式所代替。BP人工神经网络是最常用的建立负荷预测模型的工具之一,文章对建立电力负荷BP神经网络预测模型（网络结构）进行了讨论。     

Trends, lead times and forecasting

The innovations representation for a local linear trend can adapt to long run secular and short term transitory effects in the data. This is illustrated by the theoretical power spectrum for the model which may possess considerable power at frequencies that might be associated with cycles of several years' duration. Whilst advantageous for short term forecasting, the model may be of less use when interest is in the underlying long run trend in the data. In this paper we propose a generalisation of the innovations representation for a local linear trend that is appropriate for representing short, medium and long run trends in the data.     

浅谈电力负荷预测

电力负荷预测是供电部门的重要工作之一,准确的负荷预测,可以在保障电网的安全前提下,经济合理的安排电网内部发电机组的启停,合理安排机组检修计划,减少不必要的旋转备用容量,降低电网公司的运营成本,提高经济和社会效益。本文主要介绍了电力负荷预测的步骤以及经常采用的负荷预测方法。     

Short‐Term Wind Speed Forecasting for Power System Operations

The emphasis on renewable energy and concerns about the environment have led to large‐scale wind energy penetration worldwide. However, there are also significant challenges associated with the use of wind energy due to the intermittent and unstable nature of wind. High‐quality short‐term wind speed forecasting is critical to reliable and secure power system operations. This article begins with an overview of the current status of worldwide wind power developments and future trends. It then reviews some statistical short‐term wind speed forecasting models, including traditional time series approaches and more advanced space–time statistical models. It also discusses the evaluation of forecast accuracy, in particular, the need for realistic loss functions. New challenges in wind speed forecasting regarding ramp events and offshore wind farms are also presented.     

组合负荷预测方法综述

电力系统负荷具有很多不确定因素,针对单一模型进行负荷预测时,预测精度不高这一问题,可采用组合预测法将多种预测方法所得的预测值进行加权平均而得到最终预测结果,以满足现代电力对负荷预测结果的准确性、快速性和智能化的要求。该文首先简要介绍了几种常用的负荷预测方法,接着详细介绍了组合负荷预测的研究现状及确定组合预测中各模型最优权重的几种方法,最后介绍了组合负荷预测模型的误差修正方法,对提高负荷预测的准确性有一定的现实意义。     

A modified GMDH approach for social science research: exploring patterns of relationships in the data

Group Method of Data Handling (GMDH) is a way with which a system of models self-organize themselves by forming higher-order polynomials and selecting the ones with best power of prediction by certain criterion. This method is helpful when we explore patterns of relationships in the data under investigation. In this paper the author presents a modified version of the GMDH algorithm emphasizing the parsimony of models and the behavior of individual parameter estimates as well as of the whole model, and utilizing the consistency and accuracy of bootstrap estimates. This approach is suitable for most research social scientists conduct. An example, the 1907 Romanian Peasant Rebellion, is used to illustrate how to employ the GMDH algorithm when the research topic has been theory-laden. The findings show that GMDH is an appropriate method that social scientists can utilize in their pursuit of a model that is most parsimonious and theoretically meaningful at the same time. Possible extensions of the modified approach, which in its present form works on linear regression type of models, to logit and probit models are also considered.     

Elman网络在短期负荷预测中的应用

文章介绍的Elman神经网络的短期负荷预测模型,具有模型简单、运算效率高的特点,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷。文章还比较了Elman网络和BP网络结构的建模效果。通过仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点,是一种实用、可靠的负荷预测方法。     

A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting

This paper presents the winning submission of the M4 forecasting competition. The submission utilizes a dynamic computational graph neural network system that enables a standard exponential smoothing model to be mixed with advanced long short term memory networks into a common framework. The result is a hybrid and hierarchical forecasting method.