基于FWA-LSSVR智能算法的钢铁行业用电量预测研究

针对近年来宏观经济指标与钢铁行业用电量关联度下降的情况,提出了一种基于行业产品及原材料价格的用电量预测方法,并使用移动平均法和时差相关分析法进行数据消噪处理和价格影响滞后期测算,在此基础上,建立了烟花算法优化最小二乘支持向量回归机智能预测模型。利用该模型对某地区实际月度用电量进行预测,结果表明,与多元线性回归、BP神经网络等模型相比,所提出的方法具有更好的预测性能,更适用于钢铁行业用电量月度预测,可为准确预测钢铁行业用电量、合理把握电力需求波动及制定经济合理电力调配计划提供参考,为电源和电网的建设提供辅助决策支持。     

基于多表融合数据的用户短期用电量预测

用电量预测是用户用能分析的一个重要研究内容,提高预测精度对用户用能分析以及异常检测具有重要意义。利用用电信息系统采集的电、水、气三表数据,提出了基于支持向量机的短期用电量预测方法。该方法首先利用通径分析计算出影响用户用电量的日特征向量的权重以及模糊相似矩阵;然后,通过模糊聚类传递闭包法选取相似日,并将它们作为样本训练支持向量机模型,实现对用户用电量的预测。采用杭州地区2016年的多表融合数据对提出方法的性能进行测试。实验结果表明,多表融合预测相对于单表预测方法,其单用户用电量和小区多用户总用电量的预测相对误差分别减小了6%和1%以上。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于综合能源计量大数据的中长期用电量预测

用电量预测对智能电网的管理和安全有重要意义.传统方法一般基于历史用电数据本身,而多表融合的推广使得多表数据的分析更为便捷.针对用电量预测场景,利用集成智能表采集的水、电、气数据,将用水量与用气量作为特征,提出结合多表数据的中长期用电量预测模型:高斯过程回归(Gaussian process regression,G...     

基于RQEA和LSSVM拘年用电量预测

本文将LSSVM相关参数的选取视为一个组合优化问题,建立组合优化问题的目标函数,采用实数编码量子进化算法（RQEA）求解该组合优化问题,进而优化LSSVM}N关参数,形成基于RQEA的LSSVM（RQEA—LSSVM）。并将RQEA--LSSVMgI入电力系统负荷预测领域,通过仿真试验表明应用RQEA--LSSVM预测年用电量的有效性。     

基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值.     

基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值。     

基于LSTM神经网络的用电量预测

阐述了收敛交叉映射(CCM)方法及LSTM神经网络模型在用电量预测中的具体应用。针对城市用电量时间序列的非线性特点,结合动力系统理论,采用CCM方法研究用电量和温度、风速、相对湿度、降水之间的动力学因果关系,建立LSTM神经网络模型,并将该模型在H市用电量预测中进行了初步应用。研究结果表明,LSTM神经网络模型在城市用电量预测中年度预测相对误差小于月度预测相对误差,具有较高精度;改进的引入温度因素的LSTM神经网络模型,月度、年度预测相对误差均有改进,反映了运用CCM方法研究动力学因果关系的合理性以及LSTM神经网络模型在城市用电量预测中广泛的实用性。     

基于小波分析和灰色模型的用电量预测

月度用电量同时具有增长性和季节波动性的二重趋势,针对月度用电量的这一变化特点,提出了一种基于小波分析和灰色预测模型的用电量预测方法,同时考虑春节影响因素,结合移位修正法对1月份和2月份的用电量进行修正。经过实例分析和计算,结果表明该方法有较高的预测精度,具有较好的适用性和可行性。     

基于行为数据采集加权的用户兴趣预测

用户的行为数据对挖掘用户兴趣具有重要价值.以往的用户兴趣预测方法存在两个问题:分析用户的单一类型行为内容数据会造成预测结果不准确;分析用户的所有历史行为的内容数据会造成分析地数据量过大、分析效率降低,不能反映预测结果的实时动态变化.针对以上问题,提出了一种用于兴趣动态预测的用户行为数据采集及加权方法,按照时间片段对用户...     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于传统CNN-LSTM模型和PGAN模型的用电量预测对比研究

为保证新一代智能电网能够根据实时的用电量情况动态的调节区域内电能分配及调度,需要实现高效且精准的用电量预测。传统电网中用电量预测方法是通过人工统计或者对历史同期用电量分析,粗略的计算出可能产生的用电量,不但消耗大量的人力物力,且无法满足智能电网背景下的用电量精准预测。现在采用差分整合移动平均自回归预测模型,长短时记忆网络预测模型和生成对抗网络预测模型等方法对用电量预测问题进行了研究,以取代传统的用电量预测方法。结果表明,智能算法可以大大程度上提高用电量预测的准确性,但要实现短时高效预测,还需在智能电网系统中对智能算法合理使用。     

基于混合预测方法的园区月用电量预测

随着用电量预测的重要性逐步提高,新电改下园区成为电力改革重要试验区,用电量预测开始面向小规模用户的电力需求。为此提出了一种新型电量预测方法,根据用电量数据的时序特性,将时间序列法与指数平滑法两者的设计思想相融合,优化指数平滑模型,引入时间序列模型,建立新的改进模型。结果显示,该方法能提高用电量预测精度,降低发电成本,提高经济效益和社会效益。     

基于LS-SVM的矿井提升机故障预测

矿井提升机是矿井生产的咽喉,其可靠性对煤矿安全高效生产起着至关重要的作用,提升机故障预测是提高提升机可靠性的重要措施.针对传统提升机故障预测模型相对误差较大的问题,建立了基于最小二乘支持向量机的提升机故障预测模型,并利用采集到的提升机相关数据对模型进行训练,再对提升机的实时数据进行预测,以发现是否可能异常.实验结果...     

基于灰色理论的中长期用电量预测

灰色理论具有所需数据少,计算量少的优点,在很多领域得到广泛应用。用电量预测就是一种典型的灰色系统。将灰色理论应用于我国某地区中长期用电量的预测,与实际用电量对比的结果表明,灰色理论用于该地区中长期用电量预测可行有效,预测结果满足要求。     

用电量组合预测方法的研究

用电量预测是电力系统调度、实时控制、运行计划和发展规划的前提,是电力部门最基本的决策信息。文章综合考虑经济状况、气候条件等影响用电量的因素,以湖北省历年的数据（包括GDP、产业结构、人口数量、环境平均温度）为基础,采用主成份分析和神经网络相结合的组合方法对湖北省用电量进行预测,预测精度较单一方法更高,可为该地区电力系统提供参考。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

基于大数据的业扩用户用电行为特征研究

电力用户的业扩报装容量直接影响着地区用电的未来增长空间。以容量与用电量间的关系研究作为切入点,应用大数据分析的方法研究了各用户多种类型的业扩容量转换为用电量的周期特征,从电量产生的机理出发,分析了业扩业务产生后电量的变化情况,可以为后续的电量变化空间的科学预估提供全面的信息支撑。     

基于梯度提升树的写字楼月度用电量预测研究

以气象和时间作为影响写字楼用电量的主要因素,首先使用网络爬虫抓取到气象数据,包括最高温、最低温、风力、湿度、气压、天气和能见度等,同时提取日期相关的时间特征,如星期、节假日、第几周、季节和小时,再使用递归特征消除法进行特征选择,除去特征重要度低的因素,最后在模型选择上,与梯度提升树模型、差分整合移动平均自回归模型ARI...     

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...