搜索资源列表
SVM_Short-term-Load-Forecasting
- 优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因
load-prediction
- 根据历史数据，利用反馈神经网络对电力系统运行负荷进行预测-power prediction
power-flow
- 电网内的多个风电场风速往往因为其地理位置的远近而有着不同程度的相关性，采用Ｎａｔａｆ 逆变换技术即可建立不同风电场之间具有相关性的风速分布样本空间，进而得到具有相关性的风 电场出力。在仿真过程中考虑风速的不确定性，将每个风电场出力视为一个负的满足威布尔随机 分布的负荷，根据历史数据，用方差—协方差矩阵描述不同风电场相关系数，建立最优潮流模型。 最后，在风电接入改进ＩＥＥＥ ３０及ＩＥＥＥ １１８节点系统中应用蒙特卡洛仿真
SVM_Short-term-Load-Forecasting2
- 本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测
Elman神经网络预测电力负载
- Elman神经网络建立建筑物电力负荷预测模型中遇到的几个关键问题有，数据归一化处理、输入输出样本的选取、隐含层节点数的确定；分别建立Elman神经网络模型，并利用某栋建筑物实际历史电力负载数据进行预测，分析比较与实际数据值的预测精度，得出了一个有效的数据预测模型。(Several key problems encountered in building power load forecasting model based on Elma
ARIMA风速预测
- 用于风电场区域的风速多步预测问题。模型基于ARIMA，通过数据预处理、进行建模，并使用我国山东省两个风电场的历史风速数据进行测试和分析。结果表明，模型的统计误差小。(Multi-step wind speed prediction in wind farm area. The model is based on ARIMA, through data preprocessing, modeling, and using historic
DBN
- 根据历史电网负荷数据，用深度置信网络预测未来负荷大小(Forecast future load size based on historical grid load data)
Load1997
- 2001年欧洲智能技术网络组织了一次电力负荷预测竞赛，提供了历史负荷数据、节假日数据和气象数据，对学习负荷预测有帮助(In 2001, the European intelligent technology network organized a power load forecasting competition, providing historical load data, holiday data and meteorologi