电力系统短期负荷预测：输入每小时ENTSO-E负载，输入ENTSO-E每小时负荷、天气和风度 Models NRMSE MAE MAPE HMM 0.255 1058.75 0.148 ARIMA 0.198 807.97 0.108 DWT-ARIMA 0.0805 565.91 0.0876 SVR 0.0409 146.80 0.0210 GPR 0.0435 162.34 0.0232 FFNN 0.0504 200.59 0.0282 Clustering 0.0684 271.51 0.0384 LSTM 0.0451 167.85 0.0239 Seq2Seq 0.0424 153.74 0.0219 DBN 0.0434 162.38 0.0232 RFR 0.0411 154.94 0.0221 GDRT 0.0424 157.87 0.0225 XGBoost 0.0418 154.14 0.0219

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：Elman神经网络的数据预测_电力负荷预测模型研究_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

该数据包含家庭中时间、有功功率、无功功率、电压、、Global_intensity、Sub_metering_1、2、3等数据，可用于用电负荷的预测

风力发电量预测数据集，该数据集包含风速、转速、发电量等数据。数据已记录为2019年11月至2019年12月。读数间隔为10分钟。

基于遗传算法的写字楼中央空调工程系统冷负荷预测研究.pdf

利用神经网络算法进行负荷的预测，选取若干天的预测数据，来预测接下来几天的负荷数据

为提高短期负荷预测精度，针对传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题进行了研究，提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机（ELM）的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关，采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置，提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析，研究结果表明，相对于BP神经网络和支持向量机，ELM具有更高的泛化能力和预测精度；CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力，CC-PSO-ELM模型具有较高的负荷预测精度。

有有序充电，无序充电Python&Matlab代码

随着电力数据采集成本降低及大规模电网互联等因素，电网中可获取的数据类型日益丰富。以往的集中式预测方法对海量电力数据的分析能力有限。提出基于大数据和粒子群优化BP神经网络短期电力负荷预测，建立短期电力负荷预测模型。利用国家电网的实际负荷数据，采用所提方法进行预测，与实际负荷数据及集中式负荷预测结果进行比较，结果证明，所提方法预测精度较高，降低了负荷预测时间，在实际应用中具有可行性。

由于影响电力负荷的因素之间存在着非线性,所以采用神经网络方案来进行短期电力负荷预测。对应用于实际的神经网络算法进行了具体处理,如数据的归一化,输入向量和输出向量的选择。仿真结果表明其有较好的预测精度。该模型具有网络结构较小、训练时间短、易于实现的优点。