考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

基于云计算和极限学习机的分布式电力负荷预测算法

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。     

基于DE-GWO-SVR的中长期电力需求预测

电力需求预测是电力系统科学规划与运行的重要前提.根据相关性分析,从经济发展水平、城镇化水平、工业化水平、人口数量、产业结构、居民消费水平、电价和用电基数8个方面筛选出电力需求关键影响因素.利用差分进化(differential evolution,DE)和灰狼优化(grey wolf optimization,GWO)...     

基于优化极限学习机的直流微电网并网等效建模

针对直流微电网的并网建模问题,提出了一种基于优化极限学习机的直流微电网并网等效建模方法。以直流微电网并网接入点的电压和功率数据分别作为极限学习机的输入和输出,构建基于极限学习机的直流微电网并网等效模型。由于极限学习机在初始化过程中,输入权值和隐层阈值随机设定且不再改变,会导致极限学习机建模缺乏自适应性,影响建模精度。利用鲨鱼气味优化算法对极限学习机的输入权值和隐层阈值进行优化,进一步提高建模精度。鲨鱼气味优化算法通过模拟鲨鱼捕猎过程进行寻优,通过气味粒子浓度引导鲨鱼位置的更新,是一种效率极高的优化算法。通过与微电网的实际仿真模型对比,验证了建模方法的合理性和准确性,说明所提方法具有较好的实际应用价值。     

基于混合黑猩猩优化极限学习机的电力信息物理系统虚假数据注入攻击定位检测

针对已有检测方法无法对虚假数据注入攻击(false data injection attack, FDIA)进行精确定位的问题,提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine, ELM)的电力信息物理系统FDIA的定位检测方法。首先,使用ELM作为分类器,用于提取电力数据特征并检测系统各节点的异常状态。然后,采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略,用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法,实现对FDIA的精准定位,有利于后续防御措施的实施。最后,在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明,所提方法具有更佳的准确率、查准率、查全率和F1值,对FDIA能够进行更为精准的定位检测。     

基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

为提高油浸式电力变压器故障诊断的精度及可靠性,提出了一种基于改进天鹰算法(modified aquila optimizer, MAO)优化核极限学习机(kernel based extreme learning machine, KELM)的油浸式电力变压器故障诊断方法。利用Tent混沌映射、卡方概率密度函数,对原始天鹰优化算法(Aquila Optimizer, AO)进行改进,改进后的算法有效提升了收敛速度与寻优精度。利用MAO算法对核极限学习机模型中的正则化系数和核函数参数进行联合寻优,构建最优故障诊断模型。实验结果显示,MAO-KELM对变压器故障诊断的准确率达到95.8%,比AO、GWO和PSO优化的核极限学习机故障诊断模型分别提升了3.52%、10.07%和11.64%,体现了MAO算法的优越性,同时与传统模型进行比较,证明所提方法的诊断效果具有明显优势。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点,构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法,结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解,得到数据信号在不同时间尺度的局部特征,降低环境因素序列的非平稳性,然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后,选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明,构建的改进光伏出力预测组合模型的各项指标预测效果更好,且适用不同环境的光伏发电预测。     

基于人工鱼群算法优化极限学习机的变压器故障诊断

为提高变压器故障诊断的准确性,本文采用优化性能更好的人工鱼群算法(Artificial Fish Swarm Algorithm, AFSA)对极限学习机(Extreme Learning Machine, ELM)进行优化,建立基于AFSA-ELM的变压器故障诊断模型。采用实际变压器故障数据进行仿真分析,并与其他模型进行对比,结果表明,只有AFSA-ELM模型诊断结果的正确率能够达到100%,验证了模型的正确性和优越性。     

基于切换模型极限学习机的超短期负荷预测

针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。     

基于正则极限学习机的非平稳径流组合预测

针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解（EEMD）、样本熵（SE）和正则化极限学习机（RELM）相结合的非平稳日径流预测方法（ES-RELM）。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。     

关键信息缺失下基于相空间重构及机器学习的电力负荷预测

随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的。为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性。并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型。其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型。最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测。结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好。     

智能优化灰色模型在中期用电量预测中的应用

传统GM(1,1)模型在参数a的绝对值较小的情况下近期用电量预测精度较高,中期用电量预测往往误差较大,一定程度上是由于GM(1,1)模型的背景值x(1)(k)取前后2个时刻的平均值造成的.引入向量θ得背景值序列的精确计算式,将GM(1,1)模型推广为GM(1,1,θ)模型.应用微粒群优化这一智能算法求解最优向量,从而构建GM(1,1,θ)模型,并将该模型应用于山东省中期用电量预测.实例分析表明,与传统GM(1,1)预测模型相比,智能优化模型较好地得到了预测点的预测结果,更适用于中期用电量预测.     

基于机器学习与疫情关联特征的短期负荷预测

准确的电力负荷预测是电力系统正常运转的重要保障。针对新冠疫情期间负荷需求波动大、历史参考负荷难以建模等问题,提出了一种基于机器学习与静默指数、滚动焦虑指数的短期负荷预测方法。首先,利用谷歌流动性数据和疫情数据构建出静默指数、滚动焦虑指数来量化经济、疫情的发展对电力负荷造成的影响。然后,采用最大信息系数分析疫情期间电力负荷的强相关因素并引入疫情负荷关联特征。最后,将气象数据、历史负荷以及构建的疫情关联特征合并作为预测模型的输入变量,通过多种机器学习模型进行预测算例分析。结果表明,引入疫情关联特征的负荷预测模型能够有效地提高疫情期间负荷预测的准确性。     

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机（RVM）的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机（SVM）模型相比,RVM模型预测精度更高。     

基于模糊C均值聚类的居民用户中期用电需求预测模型

随着智能电网的加快建设和居民阶梯电价机制的实施,居民用电需求预测变得更加复杂。从现行居民阶梯电价机制下用户动态需求的特征出发,提出了一个新的基于模糊C均值聚类的居民用电需求分类预测模型。通过模糊C均值聚类对某地区居民用电行为进行聚类分析、数据分类,建立基于自组织模糊神经网络的用电需求预测模型,提高了中期用电需求预测精度。     

基于蜂群优化极限学习算法的用电功率预测

针对用电功率负荷序列随机性强、负荷预测准确度不足等问题,提出一种基于人工蜂群算法(ABC)优化极限学习机(ELM)的用电功率预测模型.将原始电力负荷序列进行模态平稳化处理,得到包含不同时间尺度的局部特征信号的本征模函数分量和残差分量;利用人工蜂群算法优化极限学习机模型学习各模态分量的时序规律并进行分量预测,将各模态分量...     

基于改进灰色GM模型的用电量预测方法研究

季度用电量同时具有增长性和季节波动性二重趋势,而灰色GM(1,1)预测模型只能反映用电量的总体变化趋势,不能很好反映其季节性波动变化的具体特征。提出灰色GM(1．1)用电最预测模型的改进模型——灰色季节变动指数模型GSI(1,1)模型,将灰色预测方法与季节指数有机结合起来。算例表明,与灰色预测方法相比,GSI(1,1)模型具有更强的适应性和更高的预测精度,适用于季节性用电量预测。     

基于人工免疫加权支持向量机的电力负荷预测

提出了一种人工免疫加权支持向量机负荷预测模型,针对各训练样本重要性的差异,提出了给各个样本的参数赋予不同权重的加权支持向量机方法,并用人工免疫算法对支持向量机的核函数和参数进行寻优,从而很好的解决支持向量机应用中核函数和参数选择这一公认的难题,减少了人工凭经验选择的盲目性。经过仿真,证明了其在短期负荷预测中的有效性。