• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEE proceedings. Part C >Design of artificial neural networks for short-term load forecasting. II. Multilayer feedforward networks for peak load and valley load forecasting
【24h】

Design of artificial neural networks for short-term load forecasting. II. Multilayer feedforward networks for peak load and valley load forecasting

机译：短期负荷预测的人工神经网络设计。二。多层前馈网络，用于预测峰值负荷和谷底负荷

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

For pt.I see ibid., vol.138, no.5, p.407-13 (1991). In part I of the paper, a neural network with unsupervised learning was proposed to identify the day types and compute the hourly load pattern by averaging the load patterns of the same day type. In this part of the paper a neural network, commonly referred to as the multilayer feedforward network, is developed to forecast daily peak load and valley load. Unlike the self-organising feature maps in part I, the multilayer feedforward network is a neural net with supervised learning. The neural net is first trained using historical weather and load data. Then the trained neural net is applied to predict daily peak load and valley load. These peak and valley loads, when combined with the hourly load pattern, can yield the desired hourly loads. Results from short-term load forecasting of the Taiwan power system are given to demonstrate the effectiveness of the proposed neural networks.
机译：关于第一部分，见同上，第138卷第5期，第407-13页（1991年）。在论文的第一部分中，提出了一种具有无监督学习的神经网络，用于识别日类型并通过平均同一日类型的负荷模式来计算小时负荷模式。在本文的这一部分中，开发了一种神经网络（通常称为多层前馈网络）来预测每日的峰值负荷和谷底负荷。与第一部分中的自组织特征图不同，多层前馈网络是具有监督学习的神经网络。首先使用历史天气和负荷数据训练神经网络。然后将训练后的神经网络应用于预测每日峰值负荷和谷底负荷。将这些高峰和谷底负载与小时负载模式结合使用时，可以产生所需的小时负载。从台湾电力系统的短期负荷预测结果可以证明所提出的神经网络的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号