融合改进灰狼算法的机器学习月径流预测方法

为提高径流预报的准确性，对黄河唐乃亥站和兰州站实测月径流序列，分别采用梯度提升树回归（GBDT）、反向传播算法（BP）、差分进化-灰狼算法（HGWO）优化的支持向量回归（SVR）算法，结合变分模态分解方法（VMD）和极点对称模态分解方法（ESMD），建立组合预报模型。结果表明，组合模型VMD-HGWO-SVR预测效果最好，与ESMD-HGWO-SVR、VMD-BP、VMD-GBDT相比，两站的预测结果的平均绝对误差分别平均降低53.38%、14.27%、6.8%，均方根误差分别平均降低53.66%、22.0%、11.54%，平均相对误差分别平均降低54.92%、12.0%、3.67%，纳什效率系数分别平均提高17.09%、3.26%、1.36%。可以看出，该方法在月径流时间序列预测中具有较好的效果。     

基于MFOA-GRNN模型的年电力负荷预测EI北大核心CSCD

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（GRNN）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法（MFOA）和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（DE-SVM）、粒子群优化的GRNN模型（PSO-GRNN）、以及果蝇优化的GRNN模型（FOA-GRNN）的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。     

基于EEMD-CS-LSSVM的短期负荷预测方法研究

针对电力负荷具有非线性特征、预测精度不高的问题,提出一种基于集合经验模态分解和布谷鸟搜索算法优化最小二乘支持向量回归机的组合预测方法.首先,将历史负荷数据经集合经验模态分解为高频分量、随机分量和低频分量;其次,针对各分量特征采用具有不同核函数的最小二乘支持向量回归机预测模型进行电力负荷分量的预测,并且利用布谷鸟搜索优化最小二乘支持向量回归机预测模型的关键参数;最后,叠加各分量预测值,还原电力负荷预测结果.以河南某地区电力数据为例,通过与反向传播神经网络、差分整合移动平均自回归模型以及布谷鸟优化-最小二乘支持向量机方法对比,表明本文所提方法具有最高的预测精度,预测准确率达到98.5％.     

基于变量选择和DE-GWO算法的光伏发电功率预测

随着光伏产业的迅猛发展,光伏发电量在电力交易市场所占份额越来越大。光伏发电自身间歇性和不可控等特征给电力系统的稳定性带来巨大冲击。为减少此类状况发生,需要提高光伏发电预测精度。但传统建模过程中经常由于输入变量维度过多,或是参数调整不当导致模型精度差。利用随机森林对初始输入变量进行重要性评价及筛选,利用差分灰狼算法对支持向量机模型参数进行优化。通过建立对比试验发现,在经随机森林降维和差分灰狼算法优化后的模型具有更高的预测精度,验证了该方法在光伏发电功率预测领域的可行性和有效性。     

改进灰狼算法优化支持向量机的网络流量预测

高精度网络流量预测是现代网络智能管理的基础,针对支持向量机在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出了改进灰狼算法优化支持向量机的网络流量预测模型。首先收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理,然后引入改进灰狼算法快速搜索到全局最优支持向量机的相关参数,并根据最优参数对预处理后的网络流量历史数据进行学习,建立能够挖掘网络流量历史数据包含变化规律的预测模型,最后与其他算法优化支持向量机的网络流量预测模型进行了对比分析。结果显示,改进灰狼算法优化支持向量机的网络流量预测精度超过90%,远高于对比模型,且预测建模过程的建模时间少于对比模型,可以满足网络流量管理的高精度和实时性的要求。     

基于GWO-SVR的锂电池剩余使用寿命预测

锂离子电池剩余使用寿命预测在电池管理系统中发挥着重要作用,准确预测其剩余使用寿命能够保障电池的安全稳定运行。由于支持向量回归SVR（support vector regression）参数内核选择较为困难,为此提出灰狼优化—支持向量回归GWO-SVR（gray wolf optimization-SVR）方法,使用灰狼算法优化其内核参数,根据NASA预测中心提供的电池数据集对该方法进行了验证。通过与SVR方法进行对比发现,所提GWO-SVR方法的预测精度得到显著提高;在此基础上与ALO-SVR方法进行对比,证明所提方法平均相对误差降低了7.16%,预测精度更高,有效地提高了锂离子电池剩余寿命预测的精确性。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

基于改进骨干差分进化算法优化LSSVM的短期光伏发电功率预测

准确预测光伏发电功率对于保障电力系统安全稳定和经济运行具有重要意义。提出一种基于改进骨干差分进化算法（IBBDE）优化最小二乘支持向量机（LSSVM）的光伏发电功率预测模型。IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率对骨干差分进化算法进行改进以提升算法的全局寻优能力,利用IBBDE算法优化LSSVM预测模型的正规化参数和核参数来提高模型的预测精度。采用西藏某光伏电站发电功率进行预测仿真,结果表明:晴天天气下,IBBDE-LSSVM模型预测结果平均绝对误差和均方根误差分别为5.39%和3.98%;雨天天气下,IBBDE-LSSVM模型预测结果平均绝对误差和均方根误差分别为10.69%和7.86%,预测效果较好。     

基于DGA的差分进化支持向量机电力变压器故障诊断

针对支持向量机中参数选择严重影响分类效果的特点,提出采用差分进化算法对核函数g和惩罚因子c进行优化,得到最优的支持向量机模型,用于变压器的故障诊断。在简单介绍支持向量机的基础上,分析了采用差分进化算法对支持向量机优化的可行性。通过将收集的数据样本进行预处理,再利用差分进化的变异、交叉和选择对高斯径向基核函数进行优化,搜索出最优(c,g),并对得到的参数进行验证,获得最优的支持向量机模型。仿真实验表明,与SVM、GRID-SVM、GA-SVM、PSO-SVM相比,该方法误判率最低、全局寻优能力及鲁棒性较好。     

基于灰狼-支持向量机的配电网架空线路故障停电率水平预测

配电网故障停电对电力系统安全运行有着巨大影响,架空线路作为配电网中重要部分,工作环境复杂,因此对架空线路故障停电率水平进行预测有重要价值。针对目前支持向量机算法模型对故障停电率预测存在的问题,利用灰狼优化算法对其中惩罚因子及核函数参数进行最优搜索,构建起灰狼-支持向量机算法模型。结合某地区架空线路故障停电历史数据,构建了故障停电率预测模型,验证了这一方法的有效性。     

融合多种相关性分析方法的行业电量需求预测

随着供给侧改革的深入推进,为满足电网发展的需要,需要对行业电量需求预测模型进行精细化改进。从行业电量增长因素入手,提出基于关联规则挖掘和主成分分析相结合的行业电量相关性分析方法,建立历史用电相关分析数据集,挖掘行业电量增长的主导因素;分别对传统ARIMA模型和多元回归模型进行改进,得到融合多种相关性分析方法的行业电量需求模型。最后利用某地区有色金属行业为例进行实证分析,结果表明改进后的模型较传统预测模型的预测精度有较大的提升。     

Short-term forecasting of Jordanian electricity demand using particle swarm optimization

Short-term electricity demand forecasting (i.e., the prediction of hourly loads (demand) for the next hour to several days out) is one of the most important tools by which an electric utility/company plans and dispatches the loading of generating units in order to meet system demand. The accuracy of the dispatching system, which is derived from the accuracy of the forecasting algorithm used, will determine the economics of the operation of the power system. The inaccuracy or large error in the forecast simply means that load matching is not optimized and consequently the generation and transmission systems are not being operated in an efficient manner. This paper discusses and presents the results of utilizing neural network for forecasting the Jordanian electricity demand that is trained by particle swarm optimization technique, which is a new adaptive algorithm based on a social-psychological metaphor. The results of using this technique are compared with the results of using back-propagation algorithm and autoregressive moving average method.     

基于模型预测控制的含岸电混合能源系统优化运行

针对港口中包含岸电、海上风机与储能的混合能源系统,提出一种系统优化运行方法.该方法建立混合能源系统模型,其中包括岸电负荷预测模型、岸电动态电价模型、风机模型与储能模型.针对岸电负荷不确定性导致的预测精确度较小的问题,提出一种分频段预测方法,该方法利用小波包分解进行信号分频并根据不同频段特点选择不同的预测方法,提高了预测准确率;针对岸电供售电价格机制不明确的问题,提出与岸电用电量线性相关的阶梯服务费模型和随负荷变化动态调整的电价模型,平衡了港口企业、航运企业与电网企业三方利益;针对整数变量引入形成的混合整数非线性规划问题,采用模型预测控制滚动优化方法,利用CPLEX+YALMIP进行求解,改善了开环优化方法在不确定性环境下误差较大的问题,得到了系统总运行成本最小的优化结果.     

基于机器学习的电力大客户群体月度售电量预测研究

精确的售电量预测对于电力公司合理安排供电计划、科学优化电力资源配置、提高用电管理效率、节约能源降低消耗等方面具有积极作用,电力公司也一直致力于研究售电量、售电收入的变化规律。随着预测技术的不断发展,关于售电量预测的理论以及方法已有很多,但每一种单一预测模型只能从某一方面刻画数据序列的规律,都只能反映序列的部分信息,因此文中提出了一种综合时间序列分析方法以及多种机器学习算法的电力大客户群体月度售电量预测方法,最大程度地利用现有信息,并对某省总售电量的实例进行检验,结果显示,组合预测模型的误差小于多数单一预测模型的误差,有利于提高预测模型的精度,并且预测较为稳定。     

一种基于用电行业分类的中长期电量预测方法

针对传统中长期电量预测方法思路单一,忽视不同层次电量预测之间的内在联系而影响中长期电量预测精度的问题,提出了一种基于用电行业分类的新型中长期电量预测方法。首先,设计了适用于电量预测的用电行业分类原则和方法;然后,以8种特性互补的预测方法为基础,建立优选组合预测模型,对待预测区域整体以及各用电行业的电量需求分别进行年度和季度的预测;最后,运用多级预测协调理论建立了一个二维二级协调模型,对上一步的电量预测值进行修正,改善预测精度,得到上下级统一的区域整体以及各行业未来年度和季度的电量预测值。以实际的电量数据进行了算例分析,验证了该方法的有效性。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

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。     

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

灰色系统理论在城市年用电量预测中的应用--不同预测方法的分析比较

章对各种不同灰色系统（ＧＭ）预测模型进行详细分析比较,针对城市年用电量需求增长的特点,总结出各种ＧＭ模型的优劣及其适应范围,为电力系统工作人员进行年用电量预测提供参考依据。