基于AP-TS-SVR模型的热电厂工业热负荷预测

工业热负荷预测对保障工业生产过程安全和提高热电厂经济性具有重要意义,然而工业热负荷影响因素众多且有较强的随机性,因而采用常规单一负荷预测方法预测难度较大.建立了一种通过平均比例法将时间序列与支持向量机相结合的AP-TS-SVR混合模型,并对某热电厂工业热负荷进行了预测.结果表明,在预测的72h(3个预测日)中,只有6h...     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

基于小波分析的并行膜混合核支持向量机月度负荷预测

针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。     

杂草算法优化支持向量机的短期负荷预测

摘要： 针对支持向量机在短期负荷预测中的参数优化问题,利用杂草算法优异的搜索能力,构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型（IWO-SVM）。该模型首先将支持向量机一组参数看作一个杂草种子,然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优,最后采用具体短期负荷数据对其性能进行分析。结果表明,IWO-SVM获得了高精度的短期负荷预测结果,能够满足短期负荷预测的实际要求。     

奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用

降水通常是一个地区水资源的主要补给来源,其准确预测对于水资源量的预测等十分重要。为提高降水量的预测精度,以吉林省西部某气象站为例,采用奇异谱分析对月降水量数据进行预处理,提取出多个独立的子序列,再利用支持向量回归机对不同子序列单独建立预测模型,对不同子序列预测模型的输出值求和即可得到该耦合模型的预测值,并利用该耦合模型(SSA-SVR)与小波分析-支持向量回归机耦合模型(WA-SVR)以及在原始降水量数据基础上建立的支持回归机预测模型(SVR)对其月降水量进行步长为1个月、3个月以及6个月的预测。结果表明,三种模型中,SSA-SVR模型的预测值与实测值最为接近,预测精度更高。     

选择预报因子的新方法及其对预测的影响分析

针对选择适合预报因子预测负荷时采用相关系数法仅能确定两个随机变量之间线性关系的问题,采用相关概率法选择预报因子构建预测模型,分别考虑了单因素与双因素,并利用最小二乘支持向量机法预测电力负荷。结果表明,该方法精度较高,预测结果较好。     

包含高渗透率分布式电源的母线负荷区间预测

针对包含高渗透率分布式电源的配电网母线负荷预测问题,不同于传统的点预测方法,提出了一种基于模糊信息粒化支持向量机的区间预测方法。采用支持向量机作为基本算法,在一定时间窗口内采用信息粒化的模型将历史数据进行粒化,将指定时间窗口内的数据采用支持向量机进行训练,并得到给定区间内的包含高渗透率分布式电源的配电网母线负荷区间预测结果。以某省会城市某110 kV母线负荷作为算例进行分析,结果表明,所提方法可以准确跟踪母线负荷在预测区间内的变化情况,对包含高渗透率分布式电源的母线负荷变化区间和趋势可以做较为精准的预测。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于LS-SVM的燃煤电站锅炉变工况运行负荷预测

提出了一种基于最小二乘支持向量机理论及可视化火焰检测系统的燃煤电站锅炉负荷预测的方法.利用可视化火焰检测系统对300 MW燃煤锅炉降负荷过程的燃烧火焰及温度场进行了实时测试.通过测试,利用数字图像处理技术提取了燃烧火焰图像特征参数、由双色法测温原理计算得到了其温度场,采用最小二乘支持向量机建立了锅炉负荷预测模型并进行了校验.结果表明.该预测模型泛化能力强、预测精度高,从而为把燃烧火焰图像及温度场信息作为控制信号,进而引入电站锅炉燃烧控制系统提供了技术支持.