基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

基于改进多元宇宙算法优化ELM的短期电力负荷预测

为改善因人工神经网络参数随机初始化对短期电力负荷预测带来的不足,提出一种基于改进多元宇宙(improved multivariate universe optimizer, IMVO)算法优化极限学习机(extreme learning machine, ELM)的短期电力负荷预测方法。算法的改进包含3个方面。首先,添加beta分布的随机数得到改进Tent混沌映射方法,采用遍历均匀性更好的改进Tent混沌映射方法使MVO算法得到好的初始解位置。其次,采用指数形式改进传统MVO算法的旅行距离率,利用指数形式改进后可使算法在整个寻优迭代前中期保持较高的全局开发水平。然后,采用精英反向学习的方法改进宇宙群。通过基准函数测试改进前后算法的性能,表明IMVO算法具有更好的稳定性和鲁棒性。最后,利用IMVO算法优化ELM的权值和阈值,建立IMVO-ELM短期电力负荷预测模型。通过实例分析和实验对比,表明IMVO-ELM模型的稳定性、预测精度和泛化能力均优于其他模型。     

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。     

考虑爬坡特性与预测区间优化的电热水器集群功率区间预测

根据电热水器(EWH)集群功率的波形特征,提出了一种考虑爬坡特性和区间优化的EWH集群功率短期区间预测方法。首先,针对EWH负荷功率的不确定性,提出了一种考虑样本分布多源异构特性的结合集合经验模态分解(EEMD)、主成分分析(PCA)和多核相关向量机(MKRVM)的高精度组合点预测模型。然后,为获得期望预测覆盖率下宽度更窄的预测区间,综合区间预测覆盖率、区间平均宽度和累积宽度偏差等区间评价指标,设计了一种核密度估计(KDE)与粒子群优化相结合的改进预测区间优化方法,改善了MKRVM-KDE区间结构性能,避免了参数选择的随意性。最后,采用EWH聚合功率数据对算法有效性进行了验证。结果表明,该预测方法具有较高的预测精度和较好的清晰度,能够提供高质量的预测区间。     

改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测

电力系统短期负荷预测的准确性是影响电力系统运行安全的关键因素。以更精准进行短期负荷预测为目标，提出了一种基于改进鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）优化的多维度深度极限学习机（Deep Extreme Learning Machine,DELM）短期负荷预测方法。首先，针对传统鲸鱼算法（Whale Optimization Algorithm,WOA）初始种群分布不够广泛的问题，引入Tent混沌映射对初始鲸鱼种群初始化；其次针对极限学习机模型（Extreme Learning Machine,ELM）数据深层隐藏的信息学习能力差的问题，采用深度极限学习机作为基础负荷预测模型，并以改进鲸鱼算法对其进行参数寻优；最后考虑到温度、湿度等因素对负荷变化影响较大，建立多维度IWOA-DELM负荷预测模型。仿真结果表明，与其他模型相比，多维度的IWOA-DELM模型预测的准确度更高。     

基于改进自适应构造区间法的电力负荷区间预测

短期电力负荷具有较强的随机性与波动性,电力系统的经济运行对精确负荷预测提出了越来越高的要求。针对近年提出的基于GRU(Gate Recurrent Unit)模型的自适应优化构造区间方法,文中进行了两点改进,提出了一种基于改进自适应构造区间的电力负荷区间预测方法。除了区间覆盖率PICP(Prediction Interval Coverage Probability)之外,将区间预测中的重要指标平均区间宽度PINAW(Prediction Interval Normalized Average Width)加入到自适应构造区间的调整策略中;同时基于PID思想,在自适应构造区间的调整策略中考虑了PICP和PINAW的一阶和二阶差分,对训练过程进行改进。基于澳大利亚新南威尔士AEMO(Australian Energy Market Operator)的历史负荷数据,进行了两种方法的对比验证,结果表明改进的区间预测方法能够得到更高质量的预测区间。     

基于灰狼优化聚类算法的日负荷曲线聚类分析

针对模糊C-均值聚类算法(Fuzzy C-Means,FCM)应用于日负荷曲线聚类分析时存在易受初始聚类中心影响,易收敛于局部最优值以及日负荷曲线的内在特性难以通过距离得到充分反映的问题,利用日负荷特征值指标对日负荷曲线进行数据降维处理。提出了基于灰狼算法(Grey Wolf Optimizer,GWO)优化的模糊C-均值聚类算法(GWO-FCM)。该算法利用GWO为FCM优化初始聚类中心,结合了GWO的全局搜索能力和FCM的局部搜索能力。算例结果表明所提方法可有效提高日负荷曲线聚类效果,算法鲁棒性好。     

基于极限学习机方法的短期负荷预测

将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。     

基于变量选择与高斯过程回归的短期负荷预测

提高短期电力负荷预测精度是保障电网安全稳定运行的技术措施之一,通过选取影响负荷的最优输入变量集合,建立高斯过程回归(Gaussian process regression,GPR)短期负荷预测模型。负荷预测建模输入变量的选取对预测精度有很大影响,首先采用随机森林(random forest,RF)算法给出输入变量重要性评分(variable importance measure,VIM),并对各输入变量影响程度进行排序,基于序列前向搜索策略确定最优输入变量集合,避免人工经验选取的不足。其次针对共轭梯度(conjugate gradient,CG)法求解高斯过程回归模型超参数时易陷入局部最优解,且存在优化性能依赖于初值选取、迭代次数难以确定的问题,采用改进粒子群优化(particle swarm optimization,PSO)算法搜索模型超参数,形成优化高斯过程回归预测模型。最后,算例测试表明该模型的有效性。     

动态调整蚁群-BP神经网络模型在短期负荷预测中的应用

为提高短期电力负荷预测精度,提出了动态调整人工蚁群算法(DAACS),对BP神经网络参数进行优化,建立了动态调整人工蚁群-BP神经网络组合算法(DAACS-BP)预测模型,综合考虑气象、天气、电价、日期类型等影响因素,对四川电网进行短期电力负荷预测.仿真表明,该方法克服了BP神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,收敛速度快,输出稳定性好,提高了电网短期负荷预测的精度,可有效用于电力系统短期负荷预测.     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于最优窗宽核密度估计的短期负荷区间预测

针对确定性短期负荷预测难以满足电力需求中可变性决策问题,提出一种基于最优窗宽高斯核密度估计的短期负荷区间预测方法。该方法利用最小二乘支持向量机对负荷进行确定性预测,根据对历史负荷相对误差特征的统计分析,采用核密度估计方法及最优窗宽选择,对各区域内的相对误差建立密度函数,实现短期负荷的区间预测。以浙江某地区的负荷数据为例,给出了不同置信度下的负荷区间预测,将所提出的方法与固定窗宽的负荷区间预测效果做比对,在相同置信度下所提出方法的区间覆盖率有明显提高并且区间宽度有所降低。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

考虑负荷自适应检测和修复的鲁棒极限学习机短期负荷预测方法

针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。     

基于改进极限学习机的短期电力负荷预测方法

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM) 在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。     

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于相似日的超短期母线负荷概率性区间预测

为了满足电网调度的实时控制需要,较为准确地预测配电网中低压侧35kV和10kV母线的超短期负荷,结合超短期负荷预测和母线负荷预测的特点,提出了一种基于相似日的超短期母线负荷概率性区间预测方法。利用模式聚类和模式识别的方法分析了历史负荷数据,选取了相似日,并以负荷求导法为基础,得出历史负荷的预测值,计算历史负荷的预测误差,通过统计历史预测误差分布进行概率性区间预测,得到一定置信水平下的预测区间。实例计算结果表明,基于相似日的超短期母线负荷概率性区间预测的准确率为97.36%,该方法提高了母线负荷预测的准确度和计算速度,适合工程实际应用。     

光伏电站短期功率区间预测

为了解决因天气因素导致的光伏出力预测不确定性和随机性问题,更好地量化光伏出力预测偏差的波动范围.提出了基于自适应噪声的集合经验模态分解(CEEMDAN)-排列熵(PE)和改进的蚁狮算法(IALO)优化核极限学习机(KELM)的光伏发电功率区间预测模型.利用CEEMDAN将历史功率信号分解为多个模态函数(IMF)分量,然后,计算各IMF的熵值,相近的熵值重新组合新序列.借助采用IALO调整输出层权重的KELM网络建立预测模型,对各序列进行区间构造并根据区间预测偏差调整区间模型,再叠加区间预测结果.以实际数据为算例,将组合预测模型与IALO-KELM模型和粒子群算法-反向传播算法(PSO-BP)模型进行对比实验.结果表明,CEEMDAN-PE-IALO-KELM模型的区间预测结果准确性和可靠性更高.     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。