100 积分
50
评分
4.4 积分- 详情
- 2020-12-27
- 简介
pdf
- 408KB
- 页数 6P
- 阅读 96
- 下载 28
精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（GRNN）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法（MFOA）和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（DE-SVM）、粒子群优化的GRNN模型（PSO-GRNN）、以及果蝇优化的GRNN模型（FOA-GRNN）的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。
对不起，您暂无在线预览权限，如需浏览请
立即登录热门商品
相关推荐
基于MFOA-GRNN模型的年电力负荷预测 408KB
基于云模型的电力负荷预测 1.3MB
基于灰理论的电力负荷预测模型 414KB
基于云模型的电力负荷预测 557KB
基于SVM短期电力负荷预测模型研究 157KB
基于HMM模型的电力负荷预测模型研究 1.6MB
基于PSO-SVM模型的短期电力负荷预测研究 309KB
灰色预测模型在电力负荷预测中的应用 209KB
组合灰色预测模型在电力负荷预测中的应用 195KB
灰色模型在电力负荷预测中的优化与应用 456KB