基于灰色支持向量机的季节型负荷预测方法

季节型负荷具有增长性和波动性的二重趋势,并且呈现出复杂的非线性特征,同时又受到多种随机干扰因素的影响,难以用单一的预测模型做出准确的预测.提出一种基于粗糙集的灰色支持向量机预测系统,将该系统应用于季节型负荷预测中,与单一的GM(1,1)方法和BP神经网络法相比,得到了较高的预测精度.     

基于经验模式分解与因素影响的负荷分析方法

提高预测精度需要准确把握负荷变化规律和环境因素影响,但目前的分析方法多存在依赖主观经验,且对因素影响分析不深入的问题。为此,提出一种基于经验模式分解(empirical mode decomposition,EMD)和因素影响的负荷分析新方法。利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式,可克服依赖主观经验的缺点。再利用多个指标从不同方面分析它们的规律特性。通过各分量与各影响因素的相关分析,深入挖掘各因素对各分量的影响情况。归纳出构成负荷的不同成分,并详细论述其特性。实例研究说明该方法可很好地分析负荷特性及因素影响。     

电能在终端能源中的竞争力分析评价指标体系的构建研究

初步确定了电能在终端能源中竞争力的内涵,从结果和影响两个方面构造了电能竞争力要素分析模型,对模型中三个层次五个部分的要素进行了细致的分析和相应指标选择,基于此构建了电能在终端能源中的竞争力分析指标体系,并提供了分析评价的思路和方法。     

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。     

城市电力需求的灰色预测模型及修正研究

利用灰色控制理论对城市电力需求量进行预测,从年度用电量本身挖掘有用的信息,用生成方法对原始数据进行处理,强化规律性,避免了影响电力需求量的众多因素,建立起微分拟合方程,利用残差修正模型,对城市需求量做出科学准确的预测。此方法预测精度高,所需样本少,计算简便,可检验,可取得满意的结果。