基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯...     

基于QPSO参数优化的WLS-SVM短期负荷预测

为了解决负荷非线性特性导致的预测模型难以准确建立的问题,提出一种基于量子粒子群优化(QPSO)参数选择的加权最小二乘支持向量机(WLS-SVM)的短期负荷预测模型和方法.首先,利用量子粒子群优化方法来对模型进行训练,从而选出最优超参数.其次,采用具有良好泛化性能的WLS-SVM回归模型弥补损失的鲁棒性.文中以黑龙江电网短期负荷预测为例,将该方法与一般LS-SVM模型的预测结果进行了对比分析,结果表明此方法能明显提高预测精度.     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS-SVM）的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine, WLS- SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于贝叶斯证据框架的支持向量机负荷建模

负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。     

基于LS-SVM的电厂过热汽温系统建模

针对电厂过热汽温控制中存在大滞后和强非线性的特点,采用最小二乘支持向量机方法建立过热汽温系统模型并给出基于贝叶斯证据框架的LS-SVM的参数选择方法。在第一推断准则选择模型参数,第二推断准则选择模型超参数,第三推断准则选择模型的核参数。仿真结果表明该模型具有灵活的结构,较快的计算速度以及很好的泛化能力。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

基于深度长短时记忆网络的区域级超短期负荷预测方法

超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数,并在该超参数下选择泛化能力最优的模型,与前沿机器学习预测算法进行对比。实验结果证实,深度LSTM网络可以取得更好的预测效果,适合于离线训练实时预测。此外,通过对隐藏层激活向量的可视化展示和相关关系定量计算,首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况,证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine, LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition, SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVM Lab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5分钟的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较强的鲁棒性,为风力微电网优化调度控制工程提供一种新思路。