基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

基于混沌支持向量机的短期风速预测

为了减轻风电对电网的影响,降低供电系统的旋转备用容量和运行成本,提出了以混沌理论为基础,基于相空间重构的支持向量机短期风速预测方法。为提高预测模型的预测精度和泛化能力,利用粒子群算法选择对相空间重构和支持向量机参数联合寻优,将最佳参数代入混沌支持向量机模型对短期风速进行预测。试验结果表明了该方法的有效性。     

基于NARX及混沌支持向量机的短期风速预测

风速预测精度的提高,对降低风力发电成本、合理安排风场选址等方面有着积极作用。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。首先,针对风速数据序列具有混沌性而对预测结果产生影响的问题,采用C-C法确定相空间重构中所需参数。与此同时,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。之后,将该模型与EGARCH模型以及具有外生输入的非线性自回归网络(NARX)模型的预测结果进行对比。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌时间序列的支持向量机模型对NWTC m2气象站所在地风速具有最佳预测效果。     

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机（RVM）的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机（SVM）模型相比,RVM模型预测精度更高。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

组合模型在风电场发电功率短期预测中的应用

随着风力发电的不断发展以及大规模风电场的建设,风电场发电功率的短期预测对于其发展起着至关重要的作用.提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合支持向量机模型,建立了组合预测模型.通过对结果进行对比分析,显示组合模型可以提高短期发电功率预测准确度,更好地满足实际现场需要.     

船舶横摇运动实时在线预报方法

为进一步提高支持向量机预报模型在船舶横摇运动预报中的精确度以及实时性,提出一种利用混沌理论和在线最小二乘支持向量机的实时在线预报方法.在混沌动力系统相空间重构的基础上,采用饱和关联维数法对船舶横摇运动的时间序列进行混沌特性判定,并建立混沌在线最小二乘支持向量机实时预报模型.对某船横摇运动时间序列进行预报,仿真结果表明,...     

基于BOTDR监测数据的光纤复合海底电缆状态预测

为了判断光纤复合海底电缆状态的发展趋势,及时发出故障预警信号,提出了基于加权最小二乘支持向量机(WLS-SVM)的海缆BOTDR监测数据多步预测模型。利用Birge-Massart策略计算实测数据小波分解后不同尺度上的阈值,使用软阈值法消除随机噪声对预测准确性的影响;在混沌序列分析的基础上,采用G-P算法进行相空间重构,确定最佳嵌入维数,同时验证频移时间序列的混沌特性;将重构相空间中的相点馈入到WLSSVM模型完成递归多步预测;最后对海缆两个典型位置处测点进行了频移6步预测。结果表明,递归6步预测的最大平均相对误差为1.80%,具有比标准支持向量机预测结果更高的预测精度和更好的适用性。     

电力市场短期边际电价的分时重构混沌相空间预测

为了实现高精度的电力市场短期边际电价预测,该文对市场边际电价时间序列数据分时段聚类进行了相空间重构,并分别计算分形维数和提取最大Lyapunov指数,经分析得出了边际电价分时序列数据的演化具有混沌特征,由此提出了短期边际电价的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力市场短期边际电价预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

电价的混沌特性分析及其预测模型研究

在电力市场环境下,电价取决于众多因素的共同作用,它的演化过程呈十分复杂的不规则运动.为了揭示这种貌似随机的演化过程的内在规律,作者首先借助混沌理论,对电价的混沌特性进行了验证.在由电价单变量时间序列重构的相空间上,提取了吸引子的分形维数和Lyapunov指数,表明电价具有混沌特性;并且通过替代数据检验法进一步验证了电价的这种混沌行为,从而为借助混沌理论来进行电价的短期预测提供了依据.然后,采用电价及其相关因素构成的多变量时间序列重构了更为准确的相空间,通过跟踪相空间中相邻相点的演化趋势,建立起基于递归神经网络的全局和局域电价预测模型,并对New England市场的电价进行了成功的预测.     

基于证据理论的多模型组合电价预测

传统的组合预测方法主要依靠历史预测误差确定组合权值,预测结果受历史预测误差影响较大,没有考虑预测时点的外界影响因素。利用支持向量机,神经网络和时间序列等多种不同的预测方法,从不同侧面对电价进行预测。利用神经网络等模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型。采用DS(Dempster-Shafe)证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值。通过该权值对相应的预测结果进行加权求和得到最终的预测结果。以加州电力市场为例,证明了该方法的有效性。     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型。采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力。在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力。     

A Statistical Approach for Interval Forecasting of the Electricity Price

Electricity price forecasting is a difficult yet essential task for market participants in a deregulated electricity market. Rather than forecasting the value, market participants are sometimes more interested in forecasting the prediction interval of the electricity price. Forecasting the prediction interval is essential for estimating the uncertainty involved in the price and thus is highly useful for making generation bidding strategies and investment decisions. In this paper, a novel data mining-based approach is proposed to achieve two major objectives: 1) to accurately forecast the value of the electricity price series, which is widely accepted as a nonlinear time series; 2) to accurately estimate the prediction interval of the electricity price series. In the proposed approach, support vector machine (SVM) is employed to forecast the value of the price. To forecast the prediction interval, we construct a statistical model by introducing a heteroscedastic variance equation for the SVM. Maximum likelihood estimation (MLE) is used to estimate model parameters. Results from the case studies on real-world price data prove that the proposed method is highly effective compared with existing methods such as GARCH models.     

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点，建立多个模型分别对其进行预测，将数据空间按时点划分成24个子空间，然后根据这些子空间的相似性通过自组织映射对其进行自动聚类，并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测，结果表明该方法能够有效提高预测精度。     

基于GARCH误差校正的遗传支持向量机日前电价预测

针对时间序列预测和智能算法预测各自的侧重点不同，结合两者优点对日前市场电价进行预测。首先建立支持向量机（SVM）模型对单一时点电价进行预测，将遗传算法（GA）嵌入SVM模型中来保证SVM参数选择最优。针对SVM-GA模型训练误差和测试误差存在一定的相关性和条件异方差性，采用广义自回归条件异方差（GARCH）模型对误差序列进行拟合。然后利用拟合好的GARCH模型对SVM-GA模型预测误差进行预测，最后根据GARCH预测结果对SVM-GA模型预测进行校正。用该方法对美国PJM电力市场2005年8月份日前电价进行连续预测，总体平均误差仅8.19%，比普通方法误差减少了将近4个百分点。     

应用相空间重构理论分析电力负荷时间序列

电力系统负荷的复杂性及非线性相应地增加了对其预测的难度。电力负荷的混沌预测是建立在重构电力负荷序列的相空间基础之上的。重构合适的相空间,使空间轨道充分展开是进一步混沌序列预测的前提。本文结合混沌理论的思想,重点阐述了电力负荷时间序列的相空间重构的思想和算法,并以实际电力负荷数据加以验证,得出了电力负荷的时间序列是一种周期性和混沌性共存的时间训练序列。确定了时间序列后,以重庆江北区负荷为例进行短期预测,取得了良好的预测效果。     

基于小波分析与广义自回归条件异方差模型的短期电价预测

由于电价波动具有非线性及波动集群现象,因此提出了一种基于小波分析和广义自回归条件异方差模型相结合的短期电价预测新方法。首先应用小波分解原理将电价序列分解成低频部分和高频部分,在此基础上对各子序列分别建立广义自回归条件异方差模型并进行预测;然后利用小波理论对各子序列的预测结果进行重构,实现对原始电价序列的预测;最后以美国加州电力市场历史数据为例进行了验证,结果表明本文方法是可行和有效的。