基于VMD与PSO优化深度信念网络的短期负荷预测EI北大核心CSCD

为提高短期负荷预测精度,采用变分模态分解（variational mode decomposition,VMD）技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络（deep belief network,DBN）采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。     

基于VMD与PSO优化深度信念网络的短期负荷预测

为提高短期负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络(deep belief network,DBN)采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。     

基于IPSO-LSVM的短期负荷预测方法

传统基于支持向量机(SVM)的短期负荷预测模型存在着输入变量不易确定以及模型参数难以最优化的问题。针对这两个缺点,本文提出了一种基于IPSO-LSVM的短期负荷预测方法。首先引入LASSO回归筛选SVM预测模型中的滞后负荷,将筛选结果和其余影响因素作为SVM预测模型中的输入变量,建立LASSO与SVM的耦合模型(LSVM);然后采用IPSO算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后采用优化后的模型进行预测。算例分析表明,IPSO优化LSVM的方法能够有效提高短期负荷预测的精度。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于改进CS算法优化Elman-IOC神经网络的短期负荷预测

为提高负荷预测精度,提出一种基于混沌定向布谷鸟算法优化Elman-IOC神经网络的短期负荷预测模型,首先对Elman神经网络拓扑结构进行改进设计,通过增添输入-输出层连接单元,加强网络并行运算能力,提高预测精度,然后在布谷鸟算法中,利用最优位置信息指导随机游动过程,同时引入混沌扰动算子,增强全局搜索能力,最后将算法应用于Elman-IOC神经网络参数优化,建立了短期负荷预测模型。实验结果表明,较之其他模型,本文模型具有更高的预测精度。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

采用改进温湿度变量策略的夏季短期负荷预测方法

为了充分考虑温度和湿度变量对夏季电力负荷的综合影响,提出一种改进的基于温湿度多形式变量的夏季短期负荷预测方法。首先通过分析夏季气象因素对负荷变化的影响,构造了三种不同形式的温湿度变量作为模型输入变量。然后根据周特性变化对负荷进行分层,对各层负荷建立基于LASSO回归的预测模型,并通过枚举搜索求解算法对输入变量进行选择,优化预测模型。最后通过计算剩余变量对应的系数从而进一步估计出各时段负荷的分布。算例结果表明该方法能有效提高模型的预测精度及鲁棒性。     

采用改进温湿度变量策略的夏季短期负荷预测方法

为了充分考虑温度和湿度变量对夏季电力负荷的综合影响,提出一种改进的基于温湿度多形式变量的夏季短期负荷预测方法。首先通过分析夏季气象因素对负荷变化的影响,构造了三种不同形式的温湿度变量作为模型输入变量。然后根据周特性变化对负荷进行分层,对各层负荷建立基于LASSO回归的预测模型,并通过枚举搜索求解算法对输入变量进行选择,优化预测模型。最后通过计算剩余变量对应的系数从而进一步估计出各时段负荷的分布。算例结果表明该方法能有效提高模型的预测精度及鲁棒性。     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

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。     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题,文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性,保证预测模型输入参数的合理性,解决了神经网络模型输入参数的确定问题.针对基于区分矩阵约简算法是NP问题的弱点,提出了基于属性优先级函数的启发式约简算法(RAPHF);针对负荷预测过程中样本数据是滚动更新的特点,在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I.通过短期负荷预测的实例研究,证实了文中改进算法的有效性.     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

基于传感器网络与高斯过程回归的楼宇负荷预测

建筑电力能耗的准确预测不仅对配电网运行的经济性和安全性具有重要作用,而且对建筑节能方案的制定也有参考意义。由于楼宇负荷受多种因素的影响,预测精度难以大幅提高。为了提高楼宇负荷预测的准确度,提出了基于传感器网络与高斯过程回归的楼宇负荷预测方法。首先,通过基于超宽频雷达的人员存在检测传感器网络对室内的建筑占有率进行检测,并将建筑占有率作为负荷预测模型的特征之一。其次,构建高斯过程回归模型,利用其拟合出负荷与相关影响因素的非线性函数,并基于采样的近似推断算法推断出模型的超参数最大后验估计值,进而提高短期负荷预测准确度。最后,通过对比不同协方差函数的高斯过程回归模型的预测效果,甄别出最优协方差函数,进一步提高预测精度。通过算例分析可知:采用所提方法比未考虑建筑占有率的传统高斯过程回归方法的平均绝对百分比误差降低了9.68%,验证了所提方法的有效性和准确性。     

采用面积灰关联决策的高斯过程回归概率短期负荷预测

为克服概率负荷预测各评价指标相互冲突,难以确定最优预测模型难题,提出采用面积灰关联决策的高斯过程回归(GPR)概率短期负荷预测新方法。首先,构建综合评价指标集合,全面评估基于不同协方差函数的GPR模型预测效果,得到综合评价矩阵。然后,采用熵权法对各指标客观赋权,并在此基础上,使用面积灰关联决策对各模型排序,确定最优GPR概率预测模型。最终,以该模型开展概率预测。实验表明,相较传统距离灰关联决策,面积灰关联决策更明确地分辨方案间差异,结论更可靠。最优GPR模型在保证确定性预测精度的同时,相较预测误差分布特性统计法,准确刻画了负荷的波动性,预测区间更加精确可靠,区间上限明显更低,有助于为决策提供更多有效信息。     

基于贝叶斯理论和在线学习支持向量机的短期负荷预测

该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息，包括样本信息和先验知识结合在一起加以利用，不但避免了过拟合问题，而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上，以递增和递减算法可直接得到新的回归函数而无需重新训练，从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。     

基于IFOA-GRNN的短期电力负荷预测方法研究

针对智能用电环境下负荷随机性强、短期电力负荷预测精度差、计算时间长等问题,提出了一种结合改进果蝇优化算法IFOA和广义回归神经网络GRNN的预测方法。模型的输入因子为负荷数据和气象信息等。通过改进果蝇优化算法的搜索距离,增强其搜索能力,优化广义回归神经网络GRNN的平滑因数,提高预测的网络性能和精度。通过仿真验证预测方法的准确性和有效性。结果表明,改进后的方法可以减小预测误差,提高算法的稳定性。该研究为我国电力负荷预测的发展提供了参考和借鉴。     

基于非负矩阵分解的相关向量机短期负荷预测模型

针对传统特征提取方法只能抽取样本的代数特征而无法顾及问题实际意义的缺点,提出一种基于非负矩阵分解的相关向量机短期负荷预测模型。通过非负矩阵分解算法对输入样本进行分解,得到非负的低维映射矩阵,将该低维矩阵输入相关向量机进行训练预测。由于此低维矩阵具有非负性质,因而该模型在消除冗余数据、降低维数的同时,保留了原始问题的实际意义。实验结果表明,所提出的方法能有效降低输入变量的维数,预测精度也得到了提高。