基于PSO-RBF的短期电力负荷预测模型

精确的短期负荷预测对电网经济运行至关重要。为了提高电力系统负荷的预测精度,提出一种基于相似日和PSO优化RBF神经网络的短期负荷预测方法。该方法以RBF神经网络为短期电力负荷预测的基础算法,结合灰色关联分析法、K-means算法,通过DBI指数筛选出相似日集合,进一步结合PSO对RBF神经网络的参数进行优化。结果表明,所提方法预测精度优于单一RBF神经网络方法,在K-means算法选取的相似日基础之上,PSO-RBF预测模型的MAPE仅为0.77%,能精准预测待预测日负荷值,使其具有更广泛的应用价值。     

基于特征提取相似日的ELM短期负荷预测研究

为解决短期电力负荷预测中预测精度差、计算时间长等问题,提出一种基于自组织特征映射网络进行特征提取相似日的极限学习机短期电力负荷预测方法。通过自组织特征映射网络找出与预测日同类型的历史数据作为训练样本;并采用预测能力强、计算时间短的ELM网络进行预测。以某市电力负荷数据进行仿真,并将上述方法与传统神经网络进行对比。仿真算例表明,基于特征提取相似日的ELM方法具有较高的预测精度,泛化性能好,且运算时间短。     

基于智能优化的电力负荷预测方法研究

为了使电力系统短期负荷预测精度得到提高,提出了基于智能优化的电力负荷预测方法.通过粒子群优化算法的分析创建智能优化预测模型,通过模型能够得出优化阈值与权值;创建神经网络,确定不同层神经元权值.通过创建的神经网络模型实现电力负荷预测算例的分析,以某地区电力信息为例对文中电力负荷预测方法的精度进行研究.研究结果表明,文中算...     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于负荷分解与聚类融合的短期用电负荷预测研究

传统负荷预测算法通常仅以单一的数据源为基础进行计算,因此在面对动态随机特性较强的场景时难以准确预测。针对这一问题,提出了一种负荷分解后再聚类融合的短期用电负荷预测算法。该算法根据负荷行为按时间顺序分类及分解客户负载,并进行负荷数据的聚类融合,再基于贝叶斯时空高斯过程模型描述不同用电区域间的相关性。同时利用深度学习负荷数据中存在的时空相关性来表征电力消费行为特征,从而实现短期用电负荷的精准预测。在对公开数据集进行的预测实验结果表明,与现有方法相比,所提算法的误差较低,且预测性能显著提高。     

基于Spark框架的电力大数据服务技术

电力大数据服务是智能电网建设的关键,提出了基于改进AP聚类的用电行为分析方法和基于随机森林的电力负荷预测方法.针对AP聚类分析用电行为存在的复杂度较高问题,利用熵权法确立指标权值,改进相似度计算方式,实现了用户用电行为的快速准确分析.针对电力负荷预测问题,采用模糊C均值构建历史相似日样本集,利用随机森林预测电力负荷.为...     

一种基于调和均值的模糊聚类算法

k调和均值算法用数据点与所有聚类中心的距离的调和平均替代了数据点与聚类中心的最小距离，是一种减小初始值影响聚类结果的有效的聚类方法。本文对k调和均值算法进行扩展，考虑到数据点同时对不同聚类的隶属关系，将模糊的概念应用到聚类中，提出了模糊k调和均值-Fuzzv K—Harmonic Means(FKHM)算法。在中心迭代聚类算法的统一框架的基础上，推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据点加权函数表达式。以划分相似度作为聚类结果的评价准则，实验表明，FKHM算法在聚类对于初值不敏感的同时提高了聚类结果的精确度，达到较好的聚类效果。     

基于PCA-LM-BP的短期电力负荷预测研究

考虑到现代社会中气象因素影响着电力负荷的使用情况,提出了考虑气象因素的基于PCA-LM-BP的短期电力负荷预测方法。由于气象因素数据量较大,采用PCA方法对天气因素进行主元分析,选取出对负荷值影响较大的因素引入到负荷预测模型当中。由于传统的BP算法具有收敛速度慢,易陷入局部最优的缺点,采用LM算法对其进行改进,提升其预测精度。将PCA提取的主要天气因素及历史负荷数据作为LM-BP算法的输入,预测的负荷值为输出。通过算例仿真分析,分别对比BP算法,GA-BP算法,LM-BP算法的负荷预测值及误差值,可以发现LMBP预测的负荷值与实际值更接近,通过误差分析验证了文中所提方法的有效性。     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...