基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

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GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

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。     

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

支持向量机（SVM）已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测。提出了一种基于鲁棒支持向量回归机RSVR（Robust Support Vector Regression）的中长期负荷预测的新方法。给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法。建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势。     

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.     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机（LS-SVM）算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LS-SVM模型,且支持向量机（SVM）的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析。     

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.     

基于遗传优化的支持向量机小时负荷滚动预测

利用支持向量机(SVM)和遗传算法(GA)建立24个不同的混合模型来对夏季24点负荷进行滚动预测.通过追加最新的负荷和天气信息来更新混合模型的输入,滚动预测下一小时负荷.利用SVM建立预测模型,利用GA自动选择SVM模型的参数.经过GA优化后的最终SVM模型用于滚动预测下一小时的负荷.研究实例表明,GA简化了SVM参数选择,优化了SVM模型;滚动预测效果要明显好于常规预测方法.     

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FOABHC＿SVM的微电网短期负荷预测模型

为适应微电网的建设和发展对负荷预测效率及精度的要求,针对微电网负荷基数小、间歇性和随机性大等特点,提出一种基于历史认知果蝇优化算法（FOABHC）－优化支持向量机（SVM）的微电网短期负荷预测模型。以国内某微电网示范工程项目为例,将FOABHC＿SVM用于微电网短期负荷预测。实例仿真结果表明,所提出的FOABHC＿SVM预测模型优于SVM预测模型,更适用于当前微电网短期负荷预测需要。     

短期负荷预测中支持向量机模型的参数选取和优化方法

讨论了基于支持向量机的电力系统负荷预测模型建模方法。对建立支持向量机模型,通过对模型结构的分析,提出了模型学习参数的选取方法,给出了基于最优方向搜索的高斯核函数参数的优化算法。针对负荷预测模型,对模型的输入变量采用规范化预处理消除了量纲不一致对SVM模型的不利影响,通过对数变换将模型输出的相对误差转化为模型输出的绝对误差,便于模型学习参数的选择。最后采用实际数据对该方法进行了模拟计算,其结果表明该方法可以有效地降低SVM模型的建模误差和测试误差,而且SVM模型比模糊模型和神经网络模型有更好的泛化性能和预测精度。     

基于人群搜索算法优化参数的支持向量机短期电力负荷预测

支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究，将多分辨率支持向量机（M—SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点，设计了负荷预测数学模型，采用96条回归曲线进行日负荷的曲线预测，并在该模型的基础上采用实际数据进行验证，分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于EEMD-CS-LSSVM的短期负荷预测方法研究

针对电力负荷具有非线性特征、预测精度不高的问题,提出一种基于集合经验模态分解和布谷鸟搜索算法优化最小二乘支持向量回归机的组合预测方法.首先,将历史负荷数据经集合经验模态分解为高频分量、随机分量和低频分量;其次,针对各分量特征采用具有不同核函数的最小二乘支持向量回归机预测模型进行电力负荷分量的预测,并且利用布谷鸟搜索优化最小二乘支持向量回归机预测模型的关键参数;最后,叠加各分量预测值,还原电力负荷预测结果.以河南某地区电力数据为例,通过与反向传播神经网络、差分整合移动平均自回归模型以及布谷鸟优化-最小二乘支持向量机方法对比,表明本文所提方法具有最高的预测精度,预测准确率达到98.5％.     

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益.分析了支持向量机(support vector nachine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法.该方法利用模拟退火(simulated annealing,SA)算法自动优化参数.实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度.