基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。     

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性.     

基于蜂群优化极限学习算法的用电功率预测

针对用电功率负荷序列随机性强、负荷预测准确度不足等问题,提出一种基于人工蜂群算法(ABC)优化极限学习机(ELM)的用电功率预测模型.将原始电力负荷序列进行模态平稳化处理,得到包含不同时间尺度的局部特征信号的本征模函数分量和残差分量;利用人工蜂群算法优化极限学习机模型学习各模态分量的时序规律并进行分量预测,将各模态分量...     

基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。     

电力用户侧大数据分析与并行负荷预测

随着智能电网、通信网络技术和传感器技术的发展,电力用户侧数据呈指数级增长、复杂程度增大,逐步构成了用户侧大数据。传统的数据分析模式已无法满足需求,迫切需要解决电力用户侧的大数据在分析与处理方面的难题。该文分析电力用户大数据的来源,针对电力用户侧大数据的数据量大、种类繁多与速度快等特点,指出电力用户侧的大数据在数据存储、可用性、处理等方面面临的挑战。结合云计算技术提出一种电力用户侧大数据分析处理平台,将智能电表、SCADA系统和各种传感器中采集的数据整合,并利用并行化计算模型Map Reduce与内存并行化计算框架Spark对电力用户侧的大数据进行分析。提出基于随机森林算法的并行负荷预测方法,将随机森林算法进行并行化,对历史负荷、温度、风速等数据进行并行化分析,缩短负荷预测时间和提高随机森林算法对大数据的处理能力。设计并实现基于Hadoop的电力用户侧大数据并行负荷预测原型系统,包括数据集群的管理、数据管理、预测分类算法库等功能。采用不同大小的数据集对并行化随机森林算法进行负荷预测实验,实验结果表明,并行化随机森林算法的预测精度明显高于决策树的预测精度,且在不同数据集上预测精度普遍高于决策树的预测精度,能够较好的对大数据进行分析处理。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。     

基于切换模型极限学习机的超短期负荷预测

针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。     

基于GA理论与QPSO-ELM结合的短期负荷预测方法

为了更快地挖掘海量负荷数据中的非线性关系,提高短期负荷预测模型精度,针对量子粒子群算法(QPSO)在处理复杂高维参数优化问题时能力不足的缺点,结合遗传算法(GA)中的杂交进化思想对其进行改进,提出遗传量子粒子群算法(GAQPSO)来优化正则极限学习机的输入权重和隐藏层偏差,形成混合短期负荷预测GAQPSO-ELM模型....     

基于WOA-ELM的电力负荷预测模型研究

电力负荷预测是保障电力系统运行的关键技术。针对电力负荷受时间、温度、湿度、风速和电力需求等因素影响导致预测精度较差的问题,提出利用鲸鱼优化算法对极限学习机的连接权重和隐含层阈值进行优化,构建基于WOA-ELM的电力负荷预测模型。结合实例分析,与其他优化过的机器学习模型（GA-BP模型、PSO-SVM模型）及传统的ELM模型进行对比,结果验证了WOA-ELM模型的有效性,在电力负荷预测方面有较高的精度及较快的训练速度。     

海量数据下的电力负荷短期预测

该文研究海量数据下的短期电力负荷预测方法,基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型。同时,为剔除坏数据,采用最大熵建立坏数据分类模型,保证历史数据的有效性。实验数据来自已建的甘肃某智能园区。实验结果表明,提出的并行局部加权模型用于短期电力负荷预测是可行的,平均均方根误差为3.01%,完全满足负荷预测的要求,并极大地减少了负荷预测时间,提高预测精度。     

基于PAM和ELM的电力短期负荷预测相似日选取算法

为提高电力短期负荷预测的精度和算法计算速度,提出了一种基于PAM聚类和ELM极限学习机的电力短期负荷预测算法。通过对历史短期数据的聚类分析,对不同类别提取特征变量。再以极限学习机算法对待测日的特征进行模式识别找出相似日,以相似日的特征变量为依据分别求取每个相似日的权重,累加求和作为负荷的预测值。将预测值与实际值进行比对,结果表明该算法精度和效率均优于传统的前馈神经网络算法。     

基于改进哈里斯鹰算法优化核极限学习机的短期电网负荷预测研究

利用改进的哈里斯鹰算法对核极限学习机进行优化,构建了CEHHO-KELM电力负荷预测模型。首先,在充分考虑了经济、时间、气候以及电网自身影响的基础上,采用灰色关联分析法筛选主要影响因素作为预测模型输入向量。然后,将优化的哈里斯鹰算法融合到核极限学习机的参数优化中,建立了CEHHO-KELM电力负荷预测模型。将某省电力负荷数据及其影响因素数据用于实证分析。仿真结果表明,CEHHO-KELM算法相较于HHO-KELM、LSSVM、KELM算法,能够较好地搜索核极限学习机的参数、更好地平衡全局和局部性能,从而使得KELM预测模型具有更高的预测精度。     

基于Spark平台和并行随机森林回归算法的短期电力负荷预测

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。     

基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究

针对电力数据海量化、多维化的趋势,为了提高聚类算法的聚类质量,并解决传统聚类算法聚类海量高维数据时单机计算资源不足的瓶颈,提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法引入到传统模糊C均值聚类算法中,利用QPSO较强的全局搜索能力,克服FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。最后,采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进。经实验验证与FCM算法和AFCM算法相比聚类正确率提高了10%左右,且并行性能较好。     

基于 VMDT-POA-DELM-GPR 的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%～77%、4%～76%,而平均百分比误差(MAPE)仅为0.067 8%,可有效提高电力负荷的预测精度。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

基于VMD-SSA-HKELM的超短期负荷预测

针对核极限学习机(kernel extreme learning machine, KELM)单一预测模型不稳定以及预测结果不准确,提出了一种变分模态分解(variational mode decomposition, VMD)与麻雀搜索算法(sparrow search algorithm, SSA)优化的混合核极限学习机(hybrid extreme learning machine, HKELM)模型。首先把预处理后的负荷序列依据变分模态技术分解为若干相对平稳的模态分量,然后同时对每个模态分量建立VMD-SSA-HKELM预测模型;再将负荷数据划分训练集和测试集;依据训练集分别用SSA算法优化HKELM的参数,将测试集代入每个模型,所测的结果叠加得出最终预测值。该模型采用麻雀算法优化的混合核极限学习机,使其在不同的参数下有良好的局部搜索能力,且能增强全局搜索能力。仿真结果表明,VMD-SSA-HKELM模型预测精度接近98.5%,为超短期负荷预测及电力系统稳定运行提供了决策的支持。