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σ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。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法（MG-CACO）对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。     

支持向量回归在贮灰坝渗流监测中的应用

鉴于支持向量机在机器学习方面表现出的良好性能，提出了基于支持向量回归(SVR)算法的贮灰坝渗流监测模型。采用基于平行网格搜索的交叉验证法选择模型参数，避免了参数选择的盲目性、随意性，提高了预测精度。实例分析表明，该渗流监测模型与传统的神经网络（反向传播（BP）网络、径向基核函数（RBF）网络）模型相比，具有预测精度高、泛化能力强等优点，能够快速、准确地预测出指定位置的测压管水位，对贮灰坝水头预报和电厂的安全生产具有实用价值。     

基于蚁群支持向量机的发电机进相能力建模评估

通过发电机进相运行可有效调节系统运行过电压情况,但发电机进相运行是一个非线性的过程,现有方法难以对发电机进相能力进行精准建模,因此,提出采用蚁群算法优化的支持向量机来对发电机进相能力进行建模评估,可进一步提高支持向量机算法的运行效率和泛化能力。以发电机进相运行时的有功和无功作为支持向量机中数据点集的输入向量,以发电机功角和系统/定子电压作为输出向量进行建模。最后以额定功率为10 MW和300 MW的2台发电机为模型进行试验,通过对比分析试验结果可知,本文提出的蚁群支持向量机具有较强的泛化能力,可较为准确地评估发电机进相能力,有一定的实际工程应用价值。     

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.     

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。     

基于优化SVM的高速公路交通事件检测

为了降低交通事件对高速公路交通运行的影响,提出一种基于视频交通流参数的支持向量机交通事件检测算法。针对线圈检测器在车辆拥堵时的检测精度大幅降低,甚至无法检测等不足,采用基于视频的交通流参数检测方法。通过安装的视频摄像机,实现对高速公路全程的无盲区交通事件检测。同时,为了解决支持向量机模型参数的大小对分类器泛化能力的不利影响,采用改进的网格搜索算法对模型参数进行优化选择。应用实际采集的交通流数据,对优化的支持向量机事件检测算法进行验证,并与遗传算法、粒子群算法的优化结果进行比较。实验结果表明,提出的方法具有最高的检测率和较低的误报警率,且优化时间短,满足了交通事件检测实时性的要求。     

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

基于贝叶斯框架的LS-SVM中长期径流预报模型研究

为解决最小二乘支持向量机模型采用交叉验证方法确定模型参数耗时较长的问题,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选.选用径向基核函数,建立了中长期径流预报模型.采用岷江紫坪铺水文站1937～2007年的年径流资料进行模型的预测和检验,并与交叉验证方法优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较.研究结果表明,基于贝叶斯框架下的最小二乘支持向量机径流预报模型具有较好的预报精度.     

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。     

粒子群优化算法及其在机组优化组合中应用

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。     

基于混沌粒子群算法的多目标无功优化研究

针对传统无功优化的不足,建立了以电网有功损耗最小、节点电压偏移最小、静态电压稳定性最好和无功成本最小的多目标无功优化模型.为了将这4个目标同时进行优化,提出了基于Pareto解的混沌粒子群算法多目标无功优化方法,求出该多目标优化问题的Pareto最优解集,供决策者根据实际情况进行科学决策选择.为证明提出方法的有效性,对IEEE30节点系统进行了多目标无功优化分析,结果表明本文提出的方法能够得到良好的无功优化结果.     

电力系统电压和网损优化计算

采用非线性规划中的梯度法，进行电力系统的电压、网损优化计算。其中补偿节点 的处理，开始均作为ＰＶ节点，计算结束前转化为实际的补偿量。步长由电压的最大误 差 比梯度的最大分量来决定，使得计算速度大大加快。对于一天24 ｈ的优化，在保证电压 合 格率的前提下，减少了可调设备动作的次数，使得总体经济效益较优。所编程序通过银川供 电局较长时间的实际使用，证明原理正确，经济效益显著。     

基于改进粒子群算法的电力系统无功优化

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题。提出了一种改进粒子群算法用以解决这一复杂优化问题。在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻了粒子初始位置的选择对算法优化性能的影响;在进化过程中引入了自探索行为,使得粒子的搜索过程更加符合实际;引入了变异机制及3种判断陷入局部最优的标准,当发现粒子群陷入局部最优时,通过变异,帮助粒子跳出局部陷阱,增加发现最优解的机会。给出了问题的求解方法,并对IEEE 6、14节点系统进行了仿真计算,实验数值对比表明了算法的可行性和有效性。     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

Particle Swarm Optimization with velocity control

This paper presents a new Particle Swarm Optimization (PSO) technique with velocity control. In the proposed method, we lead the particles from intensification to diversification by adding a random number to the velocity of the particle depending on the distance from global best position (gbest), and thereby the particles can search widely in the search space. Copyright © 2009 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于短期预测信息和长期值函数近似的大规模电动汽车实时随机优化调度算法

针对大规模电动汽车(Electric Vehicle, EV)和可再生能源接入背景下主动配电网的实时随机调度问题,提出了一种结合短期预测信息和长期值函数近似的双层实时调度模型。为应对大量EV接入后的维数灾问题,首先提出双层调度框架,上层建立EV集群模型,下层根据EV特性提出功率分配算法对每辆EV制定充电计划,实现上层集群指令的完全消纳并满足各EV充电的需求。同时,为应对EV行为、实时电价及可再生能源出力不确定性的问题,实时优化时采用预测算法预测短期内未来接入的EV行为、可再生能源最大出力与实时电价,并通过值函数近似评估短期决策后系统的值函数,从而实现EV集群充电计划、可再生能源调度计划与购电计划的实时分阶段决策。仿真算例表明,所提模型可以实现大规模EV接入下主动配电网的实时随机调度,同时具备良好的鲁棒性。     

基于免疫算法的火电厂机组优化组合

在电厂各发电机组间实行机组负荷优化分配,提高运行效率,能改善机组的经济性,降低成本。然而,由于机组优化组合问题本质上属于大规模非线性混合整数规划问题,到目前为止还没有得到一种绝对严格的优化求解方法。免疫算法模拟生物的免疫系统原理,是一种全局概率搜索算法。文章将该算法改进用于解决机组优化组合问题,并用实际算例验证其可行性。     

300 MW循环流化床锅炉运行优化

结合2台300 MW循环流化床(CFB)锅炉的实际运行状况,介绍了一系列的运行优化和逻辑优化方法:将埋刮板给煤线中间给料机由运行转为备用,减小下水冷壁的磨损;低负荷时停运辅机,降低厂用电率;掺烧一定比例的非设计煤种;优化燃油系统运行方式;空气预热器入口烟温较高时投入锅炉吹灰,保证单台空气预热器安全运行;调节燃煤粒径,控制床压等.采用这些优化措施达到了300 MW CFB锅炉更加安全、稳定、经济运行的目的.     

电磁装置优化设计的改进禁忌算法

通过引入细化搜索过程、提出连续变量空间离散的新技术和邻域产生的新规则、存储已搜索过的状态空间等措施 ,本文给出了一种改进禁忌算法。为验证算法的可靠性 ,给出了典型数学函数和实际工程问题的数值计算结果。