基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6~9.0之间、2.3%~4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。     

基于支持向量机及粒子群算法的空调负荷预测方法研究及应用

以空调负荷的预测方法为研究对象，通过预测建筑物的空调负荷，及时有效地调控系统，达到降低建筑能耗的目的。基于最小二乘支持向量机（LS-SVM）提出预测方法，并采用粒子群算法（PSO）实现优化计算，围绕济南及成都地区不同类型建筑物的空调负荷进行预测，确定影响空调负荷的各个因素并在计算过程中不断调整以简化预测过程。采用Matlab语言进行编程计算和分析，通过不断调整输入因素及部分PSO参数以降低预测误差。基于支持向量机及粒子群算法的空调负荷预测模型性能较好，预测精度高。研究结果可为暖通空调系统的负荷预测提供参考，揭示空调负荷的变化特点以实现节能调控的目的。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

地源热泵供暖/制冷住宅建筑的电负荷预测法的建模及应用

地源热泵(GSHP)作为一种新型高效的空调技术,正得到越来越广泛的应用.对于GSHP供热/制冷的住宅建筑,使用传统的电负荷预测方法已经难以适用,为此提出一种新的电负荷预测方法,将住宅建筑的用电负荷分解为家庭用电负荷、传统公共用电负荷和GSHP空调系统用电负荷三部分.对前两种用电负荷采用单位指标法进行负荷计算,并在计算家...     

梯度采样下的市场用电短期能耗优化预测仿真

为了提高市场用电短期能耗预测正确率，降低二次规划与用电能耗，提出梯度采样下的市场用电短期能耗优化预测方法。根据最小二乘支持向量机回归算法，将湿度、气温、气压、节假日变量作为输入，构建市场用电短期能耗预测模型，依据梯度采样序列二次规划方法优化用电能耗预测模型参数，进行了梯度采样序列二次规划，逐步优化求解LS-SVMR模型目标函数，完成市场用电短期能耗优化预测。实验结果表明：湿度、温度、气压、节假日因素对用电能耗产生影响，采样数量越大，优化性能越好，且能耗预测误差小。实现市场短期用电能耗的预测，预测准确度高，预测能力突出。     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于特征聚类的多能源系统负荷预测方法研究

针对多能源系统中不同种类能源负荷特征提取及预测问题,提出基于特征聚类的多能源系统负荷预测方法,利用灰色关联分析系统理论对多种类能源负荷预测模型中的环境因素输入属性进行主控因素关联度分析,分别得到电、气、热、冷负荷受环境因素影响的关联度,利用卷积神经网络提取负荷数据和关联度输入数据的特征向量,利用K-means聚类算法对给定特征向量进行聚类,建立多种类能源负荷的特征聚类模型。算例结果表明,文章所提出的基于特征聚类的多能源系统负荷预测方法,能够有效提高不同种类能源负荷的预测精度。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

基于BP神经网络的空调负荷预测

本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果。文章进一步分析了可能存在的误差及提高预测精度的方法。