电动汽车的充电负荷预测在电动汽车的推广过程中发挥着重要的作用。为了克服现有方法中部分参数设置主观、预测模型与用户随机性驾驶行为匹配欠缺的不足,将电动汽车进行细致分类,通过建立充电负荷预测影响因素的概率
首先介绍了卡尔曼滤波的算法,并给出了一套递推计算公式,然后将此算法应用于短期负荷预测,并针对负荷预测的本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确预测结果。
针对中期电力负荷预测, 提出基于贪心核主元回归(GKPCR)、贪心核岭回归(GKRR) 的特征提取建模方法. 通过对核矩阵的稀疏逼近, GKPCR和GKRR两种贪心核特征提取方法旨在寻找特征空间中数据
提出基于灰色傅里叶变换残差修正的负荷预测模型,首先运用滑动平均法对原始数列进行改进,减弱异常值的影响;然后运用傅里叶变换对一般灰色预测模型进行改进,通过对残差进行修正,消除样本数据中偶然因素的影响。算
摘要:提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结
为了解决当下用电负荷预测精度不高,难以很好模拟实际用电负荷的分布情况而不能对未来的负荷数据进行合理预测的问题,实现了基于随机森林的分类模型、回归模型以及结合Weka的时间序列模型,对某省份的负荷数据进
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
在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算
基于AP-RBF算法的电力负荷短期预测研究,刘海燕,李良祎,针对传统电力负荷短期预测方法存在的问题,利用最新智能无模型网络训练方法,提出了一种基于数据挖掘技术的径向基函数神经网络��
暂无介绍