负荷预测， BP神经网络，改进算法，粒子群优化，matlab算法，希望对大家有帮助哦，感谢大家的支持哦

行业分类-物理装置-基于改进Shapley值模型的短期负荷预测方法.zip

摘要：提出一种短期负荷预测算法，用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点，分析短期负荷运行规律，并采用零相滤波器对原始负荷曲线进行预处理，相除奇异点。其次，介绍BP神经网络基本结构，并针对BP神经网络容易陷入局部极小值的缺点，采用PSO算法确定网络训练初始权值。然后，设计一种基于PSO-BP神经网络的短期负荷预测算法，包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后，选择上海市武宁科技园区的电科商务大厦进行负荷预测，实验结果表明，与传统的BP神经网络相比，PSO-BP神经网络用于短期负荷预测算法的精度更高，预测负荷和实际负荷之间的平均绝对误

数据挖掘在电力系统负荷预测中的应用.pdf

使用多种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）进行电力系统负荷预测/电力预测。通过一个简单的例子。各种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）用于电力系统负荷预测/电力预测。 SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题.简单地说，就是升维和线性化.升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起"维数灾难"，因而人们很少问津.但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分(或回归).一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题:应用核函数的展开定理，就不需要知道非线性映射的显式表达式;由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了"维数灾难".这一切要归功于核函数的展开和计算理论.

AI在电网中应用

负荷预测matlab仿真报告

热负荷预测为城市集中供热系统提供数据支持，是实现按需供热的基础。热负荷的变化受外界各项块紙Ｈ外滠良影咆故欠，为在满足供热系统需求量的同时做到节能与兼顾人体舒适度，提出基于气温与日期类型的热负荷预测方法。该方法将气温与日期类型进行量化BP神经网络建立供热系统的热负荷预测模型。为保证预测精度采用遗传算法对神经网络连接权值和阈值进行优化，得到未来２４小时的热负荷预测值。预测结果表明，此方法可以较准确地预测未来的热负荷，并达到按需供热和节能环保的目的

扬中市高新区1000多家企业2015年、2016年每日用电量数据，适用于深度学习及机器学习的研究者进行电网负荷预测，有助于推动电力系统需求响应的进一步发展。

基于Matlab实现的ARIMA电力负荷预测实验 ，代码+EUINITE比赛数据集1997-1999。