基于多属性决策和支持向量机的风电功率非线性组合预测

针对单一预测模型误差波动较大和线性组合预测的局限性,提出了基于多属性决策和支持向量机(SVM)的风电功率非线性组合预测模型。首先基于多属性决策理论,在检验其预测有效的情况下选择3种最优模型作为单项预测模型,并分别建模预测得到3种不同的预测结果;然后将各单项的预测结果作为训练输入,将相应的实际值作为训练输出,建立SVM组合预测模型。为检验该模型预测的有效性,用2组不同的历史数据进行验证,结果表明:该组合模型综合了各单项模型的优点,其均方根误差和平均百分比误差均小于各单项模型及其他组合模型,有效地提高了预测精度。最后还研究了采样间隔对预测结果的影响,结论表明:当采样间隔为5～15min时,预测精度较高。     

应用支持向量机的变压器故障组合预测

对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

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.     

一种变权重风电功率最优组合预测模型

针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。     

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FHNN相似日聚类自适应权重的短期电力负荷组合预测

提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测。对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。     

基于WNN-GNN-SVM组合算法的变压器油色谱时间序列预测模型

分析了小波神经网络(WNN)、灰色神经网络(GNN)、支持向量机(SVM)预测方法的原理,利用粒子群优化(PSO)算法对这3种基本预测方法进行了结构参数优化。将WNN、GNN、SVM与PSO-BP算法进行组合,推导得出了组合预测模型最优权系数的计算方法,并优化了组合预测模型拓扑结构参数。算例分析结果表明:经过PSO算法优化后,WNN、GNN、SVM预测模型的预测精度得到了提高,其组合模型较单一模型有更高的预测精度。     

基于电力消耗的行业总产值预测

电力行业是国民经济的基础性能源产业,对其他行业的发展起着至关重要的支撑作用。电力行业本身不存在库存现象进而能够相对真实近乎实时地反映行业经济运行情况,这使得从电力消耗到行业总产值的预测成为可能。针对某省规模以上工业企业基于电力消耗的总产值预测问题展开研究,结合该省2010—2013年近38 000家规模以上工业企业的用电量和总产值数据,利用基于粒子群优化参数的支持向量机建立预测模型。以2010年1月至2013年12月的数据作为训练样本,对2013年8月至2013年12月各行业的总产值进行预测和检验,并与常规交叉验证寻优的支持向量机模型和BP（back propagation）神经网络模型进行对比。结果表明,所采用的方法较其他方法可以更准确、可靠地预测行业总产值,基于用电量的行业总产值预测方法是科学、可行的。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于分数进制小波变换与支持向量机的短期风速预测

本文探讨了一种基于分数进制小波变换与支持向量机(SVM)的短期风速预测模型。首先探讨了通过小波变换提取风速序列振荡特征提高传统模型预测精度的思路,进而分析了分数进制小波变换通过品质因子可调的变换模式实现的较传统小波变换更为自由精细的时频局部性能,以及在振荡信号特征提取领域的优越性;之后探讨了基于分数进制小波变换时频分解与SVM预测的风速预测模型的构建流程;实验结果表明,该模型与基于传统小波变换与SVM的预测模型以及神经网络、SVM模型相比,能够有效的提高预测精度。     

基于改进型Elman神经网络龋短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度。提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层。增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

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。     

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EEMD,SVM和ARMA组合模型的电价预测

随着我国电力体制改革的不断深入,售电公司作为电力市场的主要参与者,其主要获利方式是从电力市场中购买电量并销售给用户。因此准确预测现货市场电价变化趋势,是售电公司降低购售电风险的重要保障。为此,根据现货市场中电价的特性,提出基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)、支持向量机(support vector machine,SVM)和自回归移动平均模型(autoregressive moving average,ARMA)的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列;其次,利用遗传算法(genetic algorithm,GA)优化的SVM预测高频分量,利用自回归移动平均模型预测低频分量;最后将各子序列的预测结果求和作为最终预测结果。用美国售电公司真实数据进行预测,并与其他模型进行比较。算例结果表明所提模型的预测精度更高。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode de?composition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimiza?tion algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

基于EMD和ABC-SVM的光伏并网系统输出功率预测研究

针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型。首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列。然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理。最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值。通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。