基于支持向量机的负荷预测分析

支持向量机(简称SVM)作为新的负荷预测方法在解决小样本、非线性、过学习问题等方面有很好的优势,结合目前新疆地区负荷增长快、负荷变化非线性强的状况可以考虑将其运用至实际工作中以提高预测精度,本文采取新疆某地区实际电网数据以支持向量机预测法进行预测,通过预测结果分析证明其有效性和可行性,体现此方法的实际应用价值.     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于LPP-LSSVM的微电网超短期负荷预测算法

为了解决负荷数据非高斯、高维度影响预测模型精度的问题,提出一种基于局部保持投影-最小二乘支持向量机(LPP-LSSVM)的微电网超短期负荷预测算法。在这一算法中,根据负荷数据的时序相关性,以及天气、温度等因素,选取相似日组成训练数据集,利用局部保持投影进行特征提取,然后利用最小二乘支持向量机训练超短期负荷预测模型。通过对上海某公司微电网示范工程中实际运行负荷进行试验,确认所提出算法的有效性。     

基于数据挖掘的SVM短期负荷预测方法研究

支持向量机方法已成功地应用在负荷预测领域,但它在训练数据时存在数据处理量太大、处理速度慢等缺点。为此提出了一种基于数据挖掘预处理的支持向量机预测系统,引用在处理大数据量、消除冗余信息等方面具有独特优势的数据挖掘技术,寻找与预测日同等气象类型的多个历史短期负荷,由此组成具有高度相似气象特征的数据序列,将此数据序列作为支持向量机的训练数据,可减少数据量,从而提高预测的速度和精度,克服支持向量机的上述缺点。将该系统应用于短期负荷预测中,与单纯的SVM方法和BP神经网络法相比,得到了较高的预测精度。     

基于PCA-SVM的电力系统短期负荷预测

针对基于支持向量机的电力系统短期负荷预测算法中,预测模型的精度和泛化能力易受样本集中输入变量的影响,利用主成分分析方法能有效地消除变量之间共线性的特点,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数。根据East-Slovakia Power Distribution Company提供的电网运行数据进行了预测计算,证明此方法与标准支持向量机算法相比,可以降低样本集的维数,提高负荷预测精度。     

基于相似日聚类与支持向量机的迎峰度夏期间负荷预测方法

日负荷曲线是电力公司调度部门制订调度计划的依据。提出一种基于相似日聚类与支持向量机的迎峰度夏期间日负荷曲线预测方法,运用气象数据聚类筛选出预测日的相似日,对预测日整点时刻负荷进行支持向量机预测。该算法充分利用支持向量机预测精度高和聚类算法训练速度快的优点,将该算法应用于辽宁电网迎峰度夏期间的日负荷曲线预测,结果表明该方法不仅训练速度快,而且具有较高的预测精度。     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于SD-SVM的负荷预测研究与应用

以临沂地区电网负荷预测系统开发为背景,以提高电网负荷预测精确度为目的,提出了基于相似日的支持向量机的(SD-SVM)负荷预测应用方案.介绍其实现的原理、业务功能及其在实例中的系统体系架构和实现技术.重点对系统采用的SD-SVM数据模型算法作了描述.该项应用研发,实现了对地区电网负荷的智能预测、自动分析、气象数据处理等功能,提升了调度人员对电网负荷变化趋势的预见性、掌控的即时性.SD-SVM法的负荷预测结果对气象因素变化较大时有明显的精度优势,具有很好的适应性.实用结果证明这一研发的实时性和预测精度优于基于传统SVM理论的预测方法,能够满足地区电网负荷预测实用性、有效性、智能化的要求.     

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。     

基于PSO-SVM的电力负荷预测

电网的安全经济可靠运行需要电力负荷预测具有较高的精度。尽管支持向量机理论解决电力负荷预测数据小样本,非线性,局部极小点等问题有很大的优势,但支持向量机的参数(c,σ)难以确定最优值。采用带惯性权重的粒子群优化算法(PSO)对支持向量机参数寻优并进行电网短期负荷预测。将预测结果同普通支持向量机和RBF神经网络预测结果对比,结果证明这种方法减少了预测耗时,提高了预测的稳定性和精度。     

基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法

准确的负荷预测对于整个电力系统经济有效运行有着重要的意义。针对负荷预测集和预测模型作出协同优化改进,提出了基于粒子群（Particle Swarm Optimization,PSO）优化的自组织特征映射网络（Self-organizing Feature Mapping,SOFM）和遗传算法（Genetic Algorithm,GA）优化的最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的短期电力负荷预测方法。使用自适应权重的粒子群算法对SOFM的权值进行优化处理,采用优化的PSO-SOFM对原始负荷数据进行分类处理,得到多组训练集。针对每组训练集建立LSSVM预测模型,并使用GA优化其关键参数,最终得到GA-LSSVM预测模型。最后利用已有的负荷数据进行了负荷预测,验证了该方法的准确性和有效性。     

基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测

提出了一种联合使用硬C均值(hard C-mean,HCM) 聚类算法和支持向量机(support vector machine,SVM)的电力系统短期负荷预测方法。与目前采用单一SVM的负荷预测方法相比,考虑了电力负荷变化的周期性特征,依据输入样本的相似度选取训练样本,即通过对学习样本的聚类选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。实际应用证明了该方法的有效性,该方法不仅提高了负荷预测精度,还缩短了预测执行时间。     

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有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于灰色关联度与 LSSVM 组合的月度负荷预测

由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果.针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM 组合的月度负荷预测方法.该方法通过计算灰色关联度来选择训练样本,选取 LSSVM 进行样本训练;将与待预测月高度相似的历史月负荷作为 LSSVM 的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度.通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度.     

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。     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

基于改进SVM与NSGA-Ⅲ的台区相序在线优化方法

针对基于历史负荷建模的台区相序调整不足及调相后供电状态时长不能保证的问题,从数据驱动角度提出了基于改进支持向量机(SVM)超短期负荷预测的台区相序在线优化方法。首先,采用变分模态分解将预测对象的历史负荷分解成多个子序列,对每个子序列采用改进的SVM进行预测,预测模型中引入自适应权重机制改进最小二乘SVM的性能,以过滤数据噪声对结果的影响,提高预测准确度;然后,对智能换相开关负荷支路建立最小三相不平衡度、最少换相次数、最长相序维续时间的多目标优化模型,从第3代非支配排序遗传算法(NSGA-Ⅲ)求解的Pareto最优解集中选取一组满意解作为决策者的相序自动调整方案;最后,以中国广东电网某台区为例进行分析,并与其他方法对比验证了所提方法的有效性。     

基于改进SVM与NSGA-Ⅲ的台区相序在线优化方法

针对基于历史负荷建模的台区相序调整不足及调相后供电状态时长不能保证的问题,从数据驱动角度提出了基于改进支持向量机(SVM)超短期负荷预测的台区相序在线优化方法。首先,采用变分模态分解将预测对象的历史负荷分解成多个子序列,对每个子序列采用改进的SVM进行预测,预测模型中引入自适应权重机制改进最小二乘SVM的性能,以过滤数据噪声对结果的影响,提高预测准确度;然后,对智能换相开关负荷支路建立最小三相不平衡度、最少换相次数、最长相序维续时间的多目标优化模型,从第3代非支配排序遗传算法(NSGA-Ⅲ)求解的Pareto最优解集中选取一组满意解作为决策者的相序自动调整方案;最后,以中国广东电网某台区为例进行分析,并与其他方法对比验证了所提方法的有效性。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。