注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于经验模态分解与动态神经网络的短期负荷预测.caj

  2. 下载的论文， 对短期负荷预测感兴趣 可参考。

  3. 所属分类：网络基础

    • 发布日期：2009-08-15
    • 文件大小：110kb
    • 提供者：Ljk_564

  1. 基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

  2. 基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

  3. 所属分类：教育

    • 发布日期：2014-05-02
    • 文件大小：1mb
    • 提供者：u010819104

  1. NILM基于辅助线性整数规划的负荷分解论文

  2. 基于辅助线性整数规划的负荷分解，这是一篇论文，Load disaggregation based on aided linear integer programming (ALIP) is proposed. We start with a conventional linear integer programming (IP)-based disaggregation and enhance it in several ways. The enhancements include addit

  3. 所属分类：机器学习

    • 发布日期：2018-08-11
    • 文件大小：673kb
    • 提供者：wowenlong

  1. 非侵入式负荷监测与分解研究综述

  2. 非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述

  3. 所属分类：其它

    • 发布日期：2018-01-20
    • 文件大小：458kb
    • 提供者：jianduoyou8445

  1. 基于CEEMD与VHBFO_SVM的微网短期负荷预测模型

  2. 为适应微网的建设和发展对其负荷预测效率及精度的要求，提出一种基于变概率混合细菌觅食优化算法（VHBFO）优化支持向量机（SVM）的微网短期负荷预测模型。首先利用CEEMD将非平稳的负荷序列按照不同波动尺度逐级进行分解，从而得到多组固有模态函数分量均值，并建立VHBFO_SVM模型对各组分量分别进行预测，最后通过叠加各组分量的预测结果得到预测值。以国内某微网示范工程项目为例，将VHBFO_SVM用于微网短期负荷预测。实例仿真结果表明,所提出的VHBFO_SVM预测模型优于SVM预测模型，更适用于当

  3. 所属分类：其它

    • 发布日期：2020-04-28
    • 文件大小：742kb
    • 提供者：weixin_38644780

  1. nilmtk-contrib-master.zip

  2. 序列到点网络nilm，即基于序列到点的深度CNN神经网络，进行非侵入式负荷分解

  3. 所属分类：深度学习

    • 发布日期：2020-04-15
    • 文件大小：115kb
    • 提供者：weixin_42923190

  1. 基于整数规划的非侵入式电力负荷在线分解

  2. 基于整数规划的非侵入式电力负荷在线分解，张晓，张建文，基于电器正常工作时的稳态电流波形具有周期性和规律性的特点，提出了一种利用电器稳态电流作为识别特征量的非侵入电力负荷在线分

  3. 所属分类：其它

    • 发布日期：2020-01-11
    • 文件大小：343kb
    • 提供者：weixin_38528939

  1. 非侵入式负荷分解PDF版代码.pdf

  2. 非侵入式负荷分解代码。。 简单版实现。只是让大家看懂。并理解什么是电力负荷分解。非侵入式电力负荷监测，简单来说，就是通过家庭入口处（就是电表）的各项特征（就是有功，电流，电压什么的），用各种算法来得到家里每个电器的状态（用了没，用在几档）和电器耗电情况（每个电器的负荷运行曲线，或者每天，每月耗电量）。

  3. 所属分类：深度学习

    • 发布日期：2020-07-11
    • 文件大小：1mb
    • 提供者：KOBEYU652453

  1. 居民用户用电特征-数据分析.py

  2. 分析居民用户用电特征（有功+无功+电流+电压），替换数据文件以及用户画像需要的数据所处位置即可。负荷分解需先分析电力特征并提取唯一标志性特征作为负荷分解标准。

  3. 所属分类：机器学习

    • 发布日期：2020-08-03
    • 文件大小：975byte
    • 提供者：Holiday140929

  1. 基于EEMD-SE和GARBF的短期电力负荷预测

  2. 为了提高短期电力负荷的预测精度，提出了集合经验模态分解（EEMD）-样本熵（SE）和遗传算法（GA）来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解，结合样本熵对复杂度相似的子序列进行合并，有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型，利用遗传算法避免神经网络陷入局部最优和收敛性问题，进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明，该预测算法具有良好的预测效果，满足短期电力负荷预测的要求。

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：577kb
    • 提供者：weixin_38702110

  1. 分解组合模型在短期燃气预测中的应用

  2. 在对城市燃气负荷数据特性进行分析的基础上，提出了针对城市燃气负荷量短期预测的思想即分解-组合预测模型，同时提出了三种分解方法对分解-组合预测模型进行了验证。首先在建模之前运用数据挖掘的方法对原始数据集进行了离群点挖掘与修正；其次，为了验证准确性，将三种方法的预测结果与其他单一、组合模型预测结果进行对比；最后为了验证该模型的有效性、适用性，对特殊日期、天气和其另一组燃气负荷量数据集进行了建模和预测，通过对预测值和实际值的误差分析，实验结果进一步验证了分解-组合模型的适应性和准确性。

  3. 所属分类：其它

    • 发布日期：2020-10-17
    • 文件大小：459kb
    • 提供者：weixin_38545463

  1.  基于EMD和神经网络的短期电力负荷预测

  2. 提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测。通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数，采用神经网络对各个固有模态函数分别预测，然后求和重构各个固有模态函数的预测值，最后得出总的负荷预测值。通过仿真分析，该方法相对于采用单一的神经网络预测降低了预测误差，改善了短期负荷预测的有效性。

  3. 所属分类：其它

  1. 基于小波变换和混合神经网络的短期负荷预测

  2. 提出通过小波分解对各负荷子序列进行特性分析初选影响因素后,采用信息熵法从初选变量中自动筛选出对负荷较重要的因素,然后采用改进的主成分分析法消除重要影响因素间的相关性,采用动态聚类法对各分解序列的样本归类,通过灰色关联分析选择出与预测时刻负荷模式最相似的类作为神经网络训练的典型样本集,采用蚁群优化算法训练各子序列相应神经网络模型,采用小波重构得到最终负荷预测结果。并利用某地区1999年的实际负荷对所提方法进行验证,结果表明了该方法的合理性和有效性。

  3. 所属分类：其它

  1. 基于DFT灰色预测理论在日电量负荷预测中的应用

  2. 提出了一种基于离散傅里叶变换（DFT）的灰色预测方法．首先将电量负荷序列采用离散傅里叶变换，分解出表征负荷规律性的各种频率分量，再对其进行组合重构，组合成周期T〉7d的低频分量和周期T≤7d的剩余高频分量两部分，对低频分量采用灰色GM（1，1）模型预测，对高频分量单独进行处理，最后将两个处理结果结合起来，即得到最终结果。该方法从一定程度上屏蔽了随机因素对负荷预测造成的不利影响，提高了预测精度。计算结果表明了该方法的正确性和有效性。

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：996kb
    • 提供者：weixin_38713009

  1. 计及电器状态关联规则的非侵入式负荷分解

  2. 非侵入式负荷监测与分解(NILMD)是获取电器用电信息的关键技术，针对当前NILMD缺乏考虑不同电器关联运行的用电模式和电器状态的强波动性以致分解精度低的问题，提出一种计及电器状态关联规则的新型负荷分解方法。通过仿射传播聚类提取电器的运行状态，基于互信息熵，运用关联规则算法挖掘电器状态的关联性；调整含关联规则的样本权值并结合k近邻算法实现状态辨识；利用极大似然估计完成负荷功率分解。测试算例验证了所提方法的有效性和准确性。

  3. 所属分类：其它

  1. 基于聚类和关联分析的居民用户非侵入式负荷分解

  2. 现有的非侵入式负荷监测方法主要采用监督学习模型，该类模型需要具有针对性的大量训练数据，而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上，选取负荷投切过程中暂态功率波形和功率变量作为负荷特征，并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据，并计算得到暂态功率波形；然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度，并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作；最后以周为

  3. 所属分类：其它

  1. 基于监督学习的非侵入式负荷监测算法比较

  2. 非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下，低成本地实现用户用电设备类型的识别和用电负荷的分解，因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑，也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本，采用负荷电流谐波系数作为负荷分类特征，建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型，利用BLUED数据库对4种分类器进行训练和测试，对比分析其在识别精度、训练时间、识别速度和抗噪能力方

  3. 所属分类：其它

  1. 基于EMD-分形理论的短期电力负荷预测

  2. 电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。

  3. 所属分类：其它

  1. 基于大数据的电力负荷自动监测系统设计

  2. 传统的自动监测系统在监测非侵入式电力负荷时，只能针对某一类型的电力负荷进行监测，而且不具备电力负荷分解能力，很难将两个同时工作的电力负荷拆分开来单独监测，监测范围小，监测结果准确性低。为此基于大数据技术设计了一种新的电力负荷自动监测系统，设计了系统的监测器和数据采集器，构建了电力负荷特征库。根据建立的硬件系统设计了软件工作流程，共分为非侵入式电力负荷数据采集、非侵入式电力负荷数据提取、非侵入式电力负荷数据处理、非侵入式电力负荷数据分解和非侵入式电力负荷数据追踪五步，对每一步做了详尽地解释。由实验

  3. 所属分类：其它

  1. 非正弦周期性负荷扰动引发强迫振荡机理分析

  2. 电网强迫振荡问题日益突出，负荷侧引起强迫振荡的研究还不够深入。完善了非正弦持续周期性负荷扰动引发电网强迫功率振荡机理的理论推导，对比了冲击性负荷扰动与正弦波负荷扰动引发系统强迫振荡的区别，并分析了影响强迫振荡幅值的主要因素。在现有的负荷侧强迫功率振荡机理的基础上，将冲击性负荷傅里叶分解为若干正弦波的叠加，通过模态法对单机无穷大系统和多机系统分别进行了分析，得出冲击性负荷引发的强迫振荡幅值比正弦扰动负荷更大的结论，并通过单机无穷大系统和IEEE 9节点系统算例进行仿真验证。

  3. 所属分类：其它

« 12 3 »