基于PSO-SVM模型的短期电力负荷预测研究

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于混合pi-sigma网络的短期电力负荷预测

本文提出了一种短期电力负荷的混合pi-sigma模糊神经网络回归预测方法。该方法根据短期电力负荷的周期性,利用混合pisigma模糊神经推理功能,对欧洲电力负荷进行预测。该模型以高斯基函数作为模糊子集的隶属度函数,在线动态调整隶属度函数和结论参数。实例表明,本文提出的混合pi-sigma网络电力负荷预报方法优于常规时序预测方法,具有物理意义透明、预测操作方便,精确度高以及预测结果确定等特点,克服了神经网络电力负荷预报方法的不确定性。仿真实验结果验证了所提模型和方法的有效性。     

基于GM(2,1)模型的短期电力负荷预测

传统的灰色系统GM(1,1)模型只适用于呈近似指数增长趋势的原始数列,而GM(2,1)模型适用范围更广,被广泛应用于各个行业。但由于计算复杂,以及模型自身存在的问题,在电力负荷预测上鲜有人研究。现将GM(2,1)模型运用于短期的电力负荷预测中,详细列出参数的计算过程,并与传统的GM(1,1)模型进行对比,结果表明,GM(2,1)模型比GM(1,1)模型预测精度更高,并且G M(2,1)模型预测的精度基本不受数据的影响,使用范围更广。     

天然气市场短期负荷预测技术特点与发展方向探讨

天然气短期负荷波动受气象变化、节假日、重大社会活动以及企业检修、停产等多种因素影响,不同供气企业对未来短期负荷的关注点不同。随着计算机的快速发展,在传统预测理论基础上,人工智能预测、组合预测方法的出现,提高了短期负荷预测的精度。结合国内外天然气市场发展及预测技术应用现状,分析了当前国内天然气市场预测面临的问题,指出细分历史负荷数据、多角度建立预测模型进行组合预测,完善关键信息上报渠道是未来我国天然气市场短期预测的发展方向。     

基于电力大数据和人工智能的短期负荷预测

负荷预测是电力系统规划、调度、运行、检修中的一项重要内容,也是D5000和OPEN3000平台的重要模块。在"能源互联网"和"互联网+"的现代背景下,电网负荷受多重复杂因素影响。本文分析了如何挖掘快速增长的电力大数据信息,提取各影响因素的特征参量,将其用于短期电力负荷预测。同时,讨论了如何采用现代人工智能算法,分析各因素对短期负荷的作用机理实现精准预测。最后,指出未来的主要研究方向,并对我国电力负荷预测工作的开展提出了相应建议。     

城市燃气短期负荷预测的研究

分析了城市燃气负荷的特点和影响因素,根据指数平滑预测法的原理,建立了城市燃气短期负荷预测线性模型和二次曲线模型。实际预测结果表明,平滑常数为0.3的直线模型具有较高的预测精度。     

西安市天然气冬季短期负荷预测研究

通过验证西安市冬季天然气门站小时流量时间序列的混沌特性,利用改进的混沌时间序列负荷预测方法,进行了小时流量短期预测。冬季天然气门站流量时间序列可以分解为周期与混沌两种子模型的线性叠加,针对混沌子模型引入加权一阶局域法进行混沌短期负荷预测,提高了总负荷预测精度。     

集中供热热力站短期热负荷预测模型对比研究

以湖北省十堰市一个集中供热热力站为对象,基于实测运行数据和气象数据进行供热负荷预测研究。分别采用随机森林(Random Forest, RF)、极度梯度提升(eXtreme Gradient Boosting, XGBoost)、BP神经网络、支持向量回归(Support Vector Regression, SVR)、长短期记忆(Long Short Term Memory, LSTM)神经网络5种方法进行预测模型训练及测试,基于粒子群优化算法(Particle Swarm Optimization, PSO)优化各模型参数,获得最优模型,在此基础上针对不同模型在不同短期负荷预测情景下的表现进行对比研究。研究结果表明：在未来24h预测情景下,随机森林、XGBoost模型的预测精度最高,二者的平均绝对误差(MAE)分别为0.84 W/m²及1.00 W/m²。在未来1h预测情景下,SVR模型的预测精度最高,其MAE为0.18 W/m²。     

基于模糊控制的RBF神经网络电力系统短期负荷预测

文章提出了一种模糊控制与RBF神经网络相结合的电力系统短期负荷预测算法,用以解决传统RBF神经网络在电力系统短期负荷预测中存在误差的问题。通过实例验证,该方法与传统的RBF负荷预测方法相比,提高了预测精度,并且具有较好的应用前景。