改进使用波形变换结合Ridgelet神经网络优化自适应的Kho-Kho优化算法的分布网络电荷短期预测方法
Yaoying Wang1, Shudong Sun1, Gholamreza Fathi2
1School of Mechanical Engineering, Northwestern Polytechnical University, Xi'an, 710072, Shaanxi, China.
本研究引入了一种新的Ridgelet神经网络 (RNN) 方法,用于短期电荷预测. 通过自适应的Kho-Kho算法进行优化,它显著提高了电网的预测准确性.
科学领域:
- 电气工程 电气工程
- 人工智能的人工智能
- 时间序列分析时间序列分析
背景情况:
- 准确的短期电力负载预测对于高效的电网运行和规划至关重要.
- 现有的预测方法经常与复杂的时间依赖性作斗争,需要精确的参数调整.
研究的目的:
- 开发一个先进的预测模型,提高短期电荷预测的准确性和可靠性.
- 引入一种新的混合方法,结合波形变换,Ridgelet神经网络和自适应的Kho-Kho优化算法.
主要方法:
- 使用波段变换 (WT) 进行电荷数据的分解.
- 应用Ridgelet神经网络 (RNN) 到单个频率组件.
- 使用动态自适应的自适应的Kho-Kho (SAKhoKho) 算法优化RNN.
主要成果:
- 拟议的RNN/SAKhoKho/WT方法实现了7.7704的最低平均绝对误差 (MAE) 和17.4132.2的根平均平方误差 (RMSE).
- 与六种最先进的方法相比,表现出卓越的性能,包括SVM/SA,ARIMA,MLP/PSO和CNN.
- 成功捕获了时间依赖性,并优化了RNN权重,以尽量减少预测错误.
结论:
- 拟议的方法在短期电荷预测准确性和可靠性方面取得了重大进展.
- 它通过提供精确的每小时预测,为实时电网管理提供了有前途的技术.
- 混合方法有效地利用信号分解和自适应优化来增强预测能力.
更多相关视频
06:04Experimental Investigation of the Hierarchical Control in DC Microgrids Using a Real-time Simulator
Published on: February 14, 2025
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
相关概念视频
Fast Decoupled and DC Powerflow
Load-frequency control
Distribution Reliability and Automation
Maximum Power Flow and Line Loadability
The Power Flow Problem and Solution
Transformers in Distribution System
Distribution substation transformers come in various ratings and typically use mineral oil for insulation and cooling. To prevent moisture and air from entering the oil, some transformers use an inert gas like nitrogen to fill the...
