遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

加权相似度及加权支持向量机的短期负荷预测

短期电力负荷预测中,针对维数比较高、各影响因素差异大、随机误差差异性大等问题,提出一种基于加权相似度和加权支持向量机的模型。首先,通过主成分分析得到负荷数据的综合因子,利用灰色关联分析分析综合因子与各影响因素的关系,计算各个影响因素的权重;其次依据权重采用加权相似度公式获得相似日,即样本数据;最后,针对相似日,采用加权支持向量回归机进行建模,实现对短期电力负荷进行预测。实验结果表明了该方法的有效性。     

基于相空间重构理论的电力负荷预测

研究电力负荷预测问题。针对电力负荷既受非线性变量的影响又受自身混沌性质的影响,单一预测方法无法同时完善地映射其复杂关系,导致预测精度较低。为进一步提高电力负荷预测准确度,融合相空间重构理论与支持向量机,提出了一种人工智能的新电力负荷预测方法(PSR-SVM)。首先以对数线性平稳法对初始电力负荷数据进行去趋势处理。然后基于粒子群算法对相空间重构参数与支持向量机参数进行同步优化,以最优延迟时间τ和嵌入维m进行电力负荷序列相空间重构,并以支持向量机及其最优参数构建非线性电力负荷预测模型。最后以某电力公司1978～1998的电力负荷进行仿真,结果表明,新模型预测精度明显高于参比模型,是一种高精度、可行的电力负荷预测方法。     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

复杂静态负荷特性支持向量机模型的研究

随着电力系统的不断发展,传统的静态模型已经很难描述现代电力负荷的静特性,需要有新的模型形式.该文采用的支持向量机模型,基于有限样本训练就能获得良好的泛化能力,有可能成为电力负荷建模的新方法.该文研究了基于支持向量机回归理论的静态电力负荷建模方法,利用Matlab软件和仿真数据进行支持向量机静态模型的辨识,验证了支持向量机负荷建模的可行性与有效性.     

基于ICOA和SVR的短期负荷预测北大核心

针对短期负荷预测精度与运行时间难以兼顾的问题,提出一种基于改进郊狼优化算法的支持向量回归模型。阐述了支持向量回归模型的原理,分析郊狼优化算法并在郊狼成长方式和贪心选择策略上进行改进。通过利用负荷、天气、日期等数据训练SVR模型,同时采用改进郊狼优化算法选择SVR参数并建立ICOA-SVR负荷预测模型。经算例分析与比较,表明在短期负荷预测方面,ICOA-SVR模型比COA-SVR、BP神经网络和LSTM模型具有更高的预测精度和更快的预测速度。     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

基于遗传算法的加权支持向量机的短期电力负荷预测

建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的支持向量机（SVM）在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于电力负荷预测可以获得很好的效果,但是传统SVM回归预测算法对于不同的样本均采用相同的参数,无法体现各样本的重要程度的区别,而且将支持向量机理论应用于实际中也存在对样本数据进行特征选择和对支持向量机模型参数进行选择的问题。因此提出了将遗传算法应用于短期的电力负荷预测中来对加权支持向量机模型进行特征选择和模型参数确定。     

基于神经网络的电力负荷不良数据的清洗

电力负荷预测前应首先对负荷数据进行清洗,根据电力日负荷曲线的特征,应用改进的ART-2神经网络准确的提取电力日负荷特征曲线,然后利用支持向量数据描述法对不良数据进行精确定位,最后利用特征曲线对不良数据进行修正.由于ART2网络能够动态调整特征曲线以及支持向量数据描述法快速准确性,使得该清洗模型具有对不良数据进行动态清洗的功能,实例分析说明了该模型的高效性.     

基于最小二乘支持向量机的短期电力负荷预测

提出了结合遗传算法(Genetic Algorithm,GA)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的短期电力负荷预测。由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性,提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择,然后利用提取出的数据序列和选择的参数,建立最小二乘支持向量机预测模型。通过实际算例分析,证明了该算法可以改善预测模型的精度和泛化能力。     

时序峰值预测的最小二乘支持向量回归模型

针对最小二乘支持向量回归模型中,呈稀疏分布的时序峰值样本拟合预测误差偏大的问题,基于加权最小二乘思想,提出一种新的用于时序峰值预测的最小二乘支持向量回归模型.根据样本分布密度和输出期望幅值,优化了经验风险控制目标.解得模型的拟合预测误差不受样本分布的影响,而且在保持整体样本拟合预测精度的同时,对峰值样本的拟合预测精度有了显著提高.Lorenz时序预测和电力负荷预测的仿真结果表明了模型的有效性.     

基于K-Means和CNN的用户短期电力负荷预测

随着电力物联网的不断发展,用户级电力负荷预测在电力需求侧管理中呈现出日益重要的作用.为了提高用户级电力负荷预测的性能,本文提出一种基于K-means聚类与卷积神经网络特征提取的短期电力负荷预测模型.首先,利用K-means将用户聚为两类：对于日相关性强的用户,将相邻时刻和日周期的历史负荷作为输入,采用CNN模型提取特征进行预测;对于日相关性弱的用户,仅将相邻时刻的历史负荷输入到CNN模型进行预测.为了验证所提出算法的性能,我们在实际的用户负荷数据上做了实验,并与随机森林、支持向量回归机进行对比,结果表明本文所构建模型的预测平均绝对百分误差降低了20%以上.     

基于离散Fréchet距离和SVM的短期负荷预测

针对支持向量机在电力系统短期负荷预测中,预测模型的精度易受训练样本数据的影响,且训练时间长的问题,本文提出1种基于离散Frechet距离和支持向量机相结合的预测方法,通过建立离散曲线相似性的数学模型,找出与基准日负荷曲线形状相似的历史日负荷曲线,以相似日的负荷数据及相应的气温、星期类型等影响因素作为训练样本对支持向量机进行训练,有效地减少了训练数据量,使得训练样本更具针对性。采用East-SlovakiaPowerDistributionCompany提供的负荷数据对提出的模型进行验证,并与标准支持向量机的预测结果对比,本文的方法能够科学合理地选取相似日,提高了支持向量机短期负荷预测的精度。     

日电力负荷的分时段多模型组合预测

日电力负荷预测是电力市场运营的基本内容。当前大多数预测方法对不同时段往往采用相同的预测模型和算法,而较少考虑不同时段的负荷组成及特征变化。提出了一种新的分时段多模型组合预测方法。根据负荷组成和特征变化,将日96点负荷分为多个时间段,每个时段内采用多元线性回归、灰色预测、支持向量机和神经网络预测等子模型加权实现多模型组合预测。通过对华东某地市电网日负荷96点曲线的预测结果显示,该方法效果较好,日预测均方根误差在1.78%以内,能较好地满足实际电力系统的负荷预测要求。     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机(Least square Support Vectormachine.LSSVM)相结合的电力系统短期负荷预测方法.考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度.利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度.     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机（Least Square Support Vectorma—chine,LSSVM）相结合的电力系统短期负荷预测方法。考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度。利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度。     

基于AR和PSO_SVR的故障趋势预测

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数。最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测。将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。