利用K-means聚类算法对各样本数据进行聚类,选取能源消费结构相似的3个样本点,并将样本点对应的下一时间点的天然气需求量作为数据样本的新特征;同时,将灰色理论预测输出结果作为BP神经网络的输入样本,基于新的样本数据特征与BP神经网络构建组合预测模型.【结果】基于K-means聚类+灰色理论+BP神经网络的预测方法有效利用了...
k-means聚类BP神经网络负荷预测时间序列负荷预测是电力系统规划与调度的一项重要内容.文章将气象条件中的各个因素作为解释变量,每15 min测得的总有功功率作为被解释变量,结合负荷的历史走势进行短期预测.为了使模型更加精确,文章在聚类分析的基础上采取BP神经网络模型进行预测.首先进行k-means聚类,把解释变量聚为4类;然...
基于k-means聚类和BP神经网络组合模型的用电负荷预测 黄磊;陈浩;衣乔木;陶亚龙 【摘要】电能资源不能存储,节约电能的一个重要前提就是精准预测用电负荷.由于居民的用电负荷受多方面因素的影响(如天气),使得用电负荷曲线为高度非线性曲线,但用电负荷的曲线又具有周期性,对于建立这种高度非线性函数并具有一定的周期...
在此基础上运用K-均值聚类算法,把金融系统风险状态分为四类。继而借助BP神经网络建立了我国金融系统风险的预警模型,并通过2011年的数据对我国2012年金融系统运行状况进行了预测。预测结果表明我国2012年处于轻度风险状态,总需求的回落和资产泡沫的收缩将是影响我国金融系统稳定运行的主要问题。最后对我国如何预测并防范金融...
为了解决传统峰谷时段划分方法因只选取单一典型日而无法在较长时间范围内适用的问题,提出一种基于长短期记忆神经网络(long short-term memory,LSTM)和改进型K-means聚类算法的居民峰谷时段划分模型:首先对居民用户一整年的负荷数据进行有效性检查和归一化处理,保证数据的准确可靠;接着将处理后的负荷数据按照不同季节及...
本文拟将运用声发射技术监测耐火材料的损伤过程,综合运用声发射参量分析方法和 K均值聚类方法为耐火材料损伤分类提供试验样本数据库,虽后运用BP人工神经网络对耐 火材料的损伤类型和损伤程度进行识别和预测。 1.2相关领域国内外发展状况 1.2.1声发射检测技术的发展状况 声发射(AcousticEmission,简称AE)是材料(或结构)内...
基于K-means聚类+灰色理论+BP神经网络的区域天然气长期需求预测 【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模... 刘真,潘文菊,刘佳,... - 《油气储运》 被引量: 0发表: 2024年 ...
聚类算法神经网络精确预测根据后勤保障工作的实践特点,提出了采用数据挖掘与神经网络技术相结合的办法建立数学模型的思路,实现了精确预测的tfl的.使用k-means聚类算法来产生模糊变量的基本状态的隶属函数,且划分输入数据的模糊空间,利用以往任务的数据来训练神经网络,调制模糊规则隶属的参量,实现规则隶属度和输入属性之间的映...
k-means聚类BP网络电能资源不能存储,节约电能的一个重要前提就是精准预测用电负荷.由于居民的用电负荷受多方面因素的影响(如天气),使得用电负荷曲线为高度非线性曲线,但用电负荷的曲线又具有周期性,对于建立这种高度非线性函数并具有一定的周期性的预测模型,神经网络是一种非常合适的方法.针对现有的电力数据,并参考...
BP神经网络模糊聚类风力发电预测为了克服模糊聚类不能反应数据内部差别的不足,提出了一种基于模式划分改进的模糊聚类与BP神经网络的风电功率预测算法.该算法首先确定最佳的模式划分数,接着将不同的风速模式下的历史风速数据进行模糊聚类以确定关联系数,并对关联系数高的历史风速数据和发电数据进行训练,然后利用BP神经网络...