基于云计算和极限学习机的分布式电力负荷预测算法

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

基于LightGBM及LSTM融合的科技园区短期负荷预测

在售电侧逐渐市场化的环境下,园区的电力负荷预测对电力市场及园区自身经济运行具有重要意义.为了提高科技园区负荷预测的精度和可靠性,提出采用K折交叉验证的LightGBM算法与LSTM算法的多特征融合算法.首先利用K折交叉验证的LightGBM算法训练第一层特征的预测模型,将其预测结果作为下一层LSTM模型训练的附加特征值.最后将两层模型预测的负荷值根据预测误差加权平均成最终的负荷预测值,结合数据算例表明,采用K折交叉验证的LightGBM算法提高模型的泛化能力,模型融合比单一的模型预测更具优势,能在一定程度上提高预测精度,减小预测误差.     

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于SEELM多专家模型的分布式光伏系统负荷预测方法

针对分布式光伏系统负荷所具有的非线性和非平稳等数据分布特性,基于神经网络与挂起规则,提出一种基于多模型集成式极限学习机的分布式光伏负荷预测方法。首先,设计多个神经网络作为子专家模型,并随机选取每一个网络的初始输入权值。构建挂起规则,依据数值波动范围在相应时间节点划分各神经网络的类别。针对其中数值波动较大的大误差网络,基于对应数值概率分布实施在线动态更新,以实现训练误差、输入权值的双维度同步优化。最后,将各个子专家模型的优化结果进行整合,并汇总输出,从而降低初始权值选取步骤中潜在误差波动的不利影响。基于某地区实际分布式光伏系统实施实证仿真,结果表明：在光伏负荷高波动这一特殊数据环境下,所提出预测模型在预测精度以及输出稳定性两方面均能够保持一定优势,可进一步推动并改善光伏接入背景下系统负荷预测的性能与效果。     

基于方差-协方差组合预测的中长期电力负荷预测研究

关于中长期电力负荷预测有多种预测方法,但各方法被许多因素所局限,本文选用线性回归模型、二次多项式模型和灰色预测模型分别对电力负荷进行预测,再综合起来建立方差-协方差组合预测模型。通过比较后得出结论,本方法大大降低了误差,提高了预测精度,可以科学地预测中长期的电力负荷。     

基于扩展粗糙集的短期电力负荷预测模型

影响短期电力负荷预测的因素众多,如何有效地判断和选择这些相关因素是改善电力负荷预测的关键,通过引入数据挖掘中粗糙集约简算法来解决这一难题。针对常规粗糙集算法计算量大,且不具备容错性和泛化能力,在属性约简过程中设置了分类可信度β,因而对数据具有了一定的容错性和泛化能力,增强了抗噪声能力。经过对实际数据的计算分析,证实了本文提出的方法在一定程度上提高了负荷预测的精度和速度。     

改进型XGBoost算法模型的企业电力负荷电费优化

针对现有技术中企业电力负荷电费优化效果差的问题,提出了新型的企业电力负荷电费优化方法,构建了改进型XGBoost算法模型.通过构建多个决策树提高了企业电力负荷的预测精度.在XGBoost算法模型的基础上,应用逐步回归算法模型,通过持续调整XGBoost算法模型中决策树的权重,不断地训练输出的单个弱学习器.实现XGBoost算法模型输出的多个决策树学习器的加权求和,从而实现了电力负荷电费预测数值的高精度输出.试验表明,研究的方法精确度高.     

基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

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。     

一种改进果蝇算法优化神经网络短期负荷预测模型

在神经网络的训练过程中,由于随机初始化网络参数使得算法收敛速度慢、容易陷入局部极值,因此,本文提出了一种改进果蝇优化算法(IFOA)用于优化神经网络的初始连接权值和阈值,以实现全局优化。首先采用在BP神经网络中加入从输入到输出的连接的网络(BPNN-DIOC,直连BP神经网络),减少隐含层所需的神经元个数,降低网络在训练过程中调整的参数个数和加快网络训练速度,以提高电力负荷的预测精度和网络的泛化能力。然后综合IFOA和BPNN-DIOC,构建了基于IFOA优化BPNN-DIOC的负荷预测模型。最后,为了验证本文模型的有效性,以AEMO中新南威尔士州2105年9月份的数据为例进行了仿真测试,IFOA-BPNN-DIOC模型的预测平均绝对误差百分比为0.6357%,均方根误差为0.0118,并将该结果与本文其它模型的预测结果进行比较。结果表明,本文模型是一种更加有效的短期负荷预测方法。     

基于即时学习算法的短期负荷预测方法

针对电力系统短期负荷数据存在非线性和时变性等问题,提出了一种变量相关性局部即时学习算法和最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型。利用互信息计算气象数据、各气象因素等变量的相关度,并引入到即时学习算法训练集中,用以选择当前电力系统负荷的建模邻域,提高系统短期负荷模型预测的精度。利用相似度阈值对局部模型进行自适应更新,增强系统负荷模型实时性。利用Matlab对某市宛城区的负荷量进行预测,结果表明,基于即时学习算法的电力系统短期负荷预测模型误差更小,系统预测精度更高。     

基于贝叶斯优化XGBoost的短期峰值负荷预测

随着电网结构愈发复杂,负荷的多样性与波动性显著增加,对预测模型提出了更高的泛化能力和精度要求。然而,传统算法存在容易过拟合、精度低等固有缺陷,难以实现复杂电网下精准的尖峰负荷预测。为此,本文提出了一种基于贝叶斯优化XGBoost的模型用于短期峰值负荷预测。首先通过特征重要度得分进行特征提取,剔除冗余特征,确保输入-输出有较优的映射关系;其次引入贝叶斯优化算法进行超参数调优,使得XGBoost的性能达到最佳状态。最后,使用中国某市电力负荷数据对所提模型的有效性进行验证,算例结果表明,与其它机器学习方法相比,贝叶斯优化XGBoost具有更高的预测精度。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于ICOA-LSTM的短期负荷预测研究

精准的负荷预测有利于电力系统的稳定运行,提高经济性和可靠性。为了提高短期电力负荷的预测精度,提出了一种基于改进型黑猩猩算法优化长短时记忆网络的短期负荷预测模型。由于黑猩猩优化算法存在易陷入局部最优、寻优精度低等缺陷,采用Circle映射策略初始化种群,产生分布均匀的黑猩猩种群,提高黑猩猩种群的多样性,为全局寻优奠定基础;其次,引入螺旋位置更新策略,使黑猩猩种群有多种搜索路径,扩大搜索空间,提高种群的全局搜索能力;然后,引入Levy飞行策略和自适应t变异策略,在最优解位置进行扰动变异,增强抗局部极值能力,提高算法的收敛精度。针对LSTM网络的隐含层神经元数,学习率等参数较难选取的问题,利用ICOA对LSTM网络自动寻找最优参数,建立ICOA-LSTM负荷预测模型。结合某地区的实际数据进行预测分析,结果表明,与BP、LSTM、PSO-LSTM、COA-LSTM预测方法相比,ICOA-LSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为17.01kW,均方根误差为21.80kW,平均绝对百分比误差为0.37%。