基于VMD-IPSO-LSSVM的短期电力负荷预测研究

针对不规律的、波动性大的复杂原始负荷数据导致预测精度不高等问题,设计了一种使用变分模态分解 (VMD)与改进粒子群算法 (IPSO)来优化最小二乘支持向量机 (LSSVM)的短期负荷预测模型.针对原始负荷数据存在的波动性大等缺陷,首先使用 VMD法将其分解为多个各异的模态分量,然后将分解后的各组数据分别输入改进的动态自适应惯性权重粒子群算法优化后的 LSSVM模型,最后将得到的多个各异的模态分量分别经模型预测出的结果进行相加得到最后取得的预测结果.经江苏省某市真实负荷数据仿真,验证了该预测模型的有效性及优越性.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

考虑噪声数据的FCM-LSSVM负荷预测模型

针对传统负荷预测未考虑噪声数据影响的问题,提出了一种基于模糊C均值聚类与最小二乘支持向量机的组合预测模型。首先利用FCM对历史数据进行聚类分析,剔除孤立样本,继而构建负荷预测训练集并输入最小二乘支持向量机进行学习,进一步采用粒子群算法优化参数,得到最优预测模型。仿真结果表明,相对于其他负荷预测模型,该算法有效地消除了噪声数据对负荷预测精度的影响,泛化能力更佳。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测

短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机（LSSVM）作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法（BHPSO）对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

基于PSO-LSSVM的短期电力负荷预测

提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性。     

基于GA理论与QPSO-ELM结合的短期负荷预测方法

为了更快地挖掘海量负荷数据中的非线性关系,提高短期负荷预测模型精度,针对量子粒子群算法(QPSO)在处理复杂高维参数优化问题时能力不足的缺点,结合遗传算法(GA)中的杂交进化思想对其进行改进,提出遗传量子粒子群算法(GAQPSO)来优化正则极限学习机的输入权重和隐藏层偏差,形成混合短期负荷预测GAQPSO-ELM模型....     

基于相空间重构和随机配置网络的电力负荷短期预测

针对配电网负荷随时间空间变化的非线性特征导致短期负荷预测精度低和模型训练时间成本高的问题,设计了一种基于相空间重构(phase space reconstruction, PSR)和随机配置网络(stochastic configuration networks, SCN)的电力负荷短期预测模型。首先将配电网数据中与负荷相关的气象数据通过主元分析法(principal component analysis, PCA)进行数据降维,并与负荷序列组合成多变量的时间序列,运用混沌时间序列理论,通过互信息法和虚假近邻法求取参数并重构相空间,最后使用随机配置网络预测电力负荷。采用欧洲电网公开数据集的历史负荷和气象数据验证所提方法,结果表明,与网格搜索法优化的支持向量机(support vector machines, SVM)、反向传播神经网络(back propagation neural networks, BP)、长短期记忆网络(long short-term memory network, LSTM)和整合移动平均自回归(autoregressive integrated moving average, ARIMA)相比,所设计方法具有智能化水平高、运算高效的特点,有一定的实用价值。     

基于改进最小二乘支持向量机和预测误差校正的 短期风电负荷预测

为了提高风电负荷预测精度,保证风电场资源得到有效利用,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据,可以有效提取其主要特征,从而克服风电场的随机性。然后采用最小二乘支持向量机对分解后的信号做预测,保证了预测精度。接着用误差校正方式修正预测结果,减少了较大误差点的出现,提高了预测结果的稳定性。最后,通过某风电场预测结果表明,基于提升小波和最小二乘支持向量机的方法可以提高预测的精度,误差预测的方法也可以有效地校正预测结果。仿真结果验证了该方法用于风电负荷预测是有效可行的。     

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。     

基于深度信念网络的供电可靠率预测模型

供电可靠率是供电服务水平的重要指标之一。提出了基于相关性分析和深度信念网络的供电可靠率预测模型。首先利用Pearson系数选取停电次数、最大负荷和用户电费均价系数作为输入特征集。然后将特征集输入到所建立的深度信念网络中,采用逐层无监督训练方法和反向传播训练方法对模型进行参数优化,通过该模型进行供电可靠率预测。最后将所提出的模型与传统人工神经网络、支持向量回归和差分整合移动平均自回归进行比较,结果验证了文章提出的供电可靠率预测模型的有效性。     

基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

基于熵权法与GRA-ELM的配电网空间负荷预测

空间负荷预测对配电网规划建设具有重要意义。为了提高配电网空间负荷预测精度,文中提出基于熵权法与灰色关联分析-极限学习机(GRA-ELM)的配电网空间负荷预测方法。首先,将规划区域内的小区按用地性质划分,分析不同类型负荷的影响因素,建立空间负荷密度指标体系;其次,利用熵权法对不同类型负荷的负荷密度指标进行权重分配;然后,应用GRA挑选出与待测地块负荷密度指标相似的训练样本;最后,将样本带入经粒子群优化(PSO)算法参数处理后的极限学习机(ELM)进行训练,得到预测结果。通过实例对所提方法的性能进行仿真验证,结果表明,所提方法相对其他方法的空间负荷预测精度更高。     

基于二维小波变换的短期负荷预测

根据电力负荷的周期性与随机性,提出了基于二维小波变换和最小二乘支持向量机的电力系统短期负荷预测方法。首先构造负荷序列二维矩阵,利用二维小波变换将负荷矩阵分解为基荷低频、每天变化的高频、每个时刻变化的高频、随机干扰四个分量,根据重构后负荷分量的特点,构造不同的最小二乘支持向量机模型进行预测;最后将预测后的数据进行叠加得到预测结果。实际预测结果表明该方法具有较高的预测精度和较强的适应能力。     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。