基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。     

基于模糊最小二乘支持向量机的系统边际电价预测方法

提出了基于模糊最小二乘支持向量机的系统边际电价（system marginal price,SMP）预测方法。为了减少样本数据中孤立点对回归性能的影响,将模糊隶属度的概念引入到最小二乘支持向量机中的同时,采用网格搜索和交叉验证的方法寻找最佳参数组合,使系统边际电价算法性能达到最佳。以美国加州电力市场的实际数据作计算实例,分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测,结果表明基于模糊最小二乘支持向量机的系统边际电价预测的方法有效提高了预测精度。     

基于EEMD-CS-LSSVM的短期负荷预测方法研究

针对电力负荷具有非线性特征、预测精度不高的问题,提出一种基于集合经验模态分解和布谷鸟搜索算法优化最小二乘支持向量回归机的组合预测方法.首先,将历史负荷数据经集合经验模态分解为高频分量、随机分量和低频分量;其次,针对各分量特征采用具有不同核函数的最小二乘支持向量回归机预测模型进行电力负荷分量的预测,并且利用布谷鸟搜索优化最小二乘支持向量回归机预测模型的关键参数;最后,叠加各分量预测值,还原电力负荷预测结果.以河南某地区电力数据为例,通过与反向传播神经网络、差分整合移动平均自回归模型以及布谷鸟优化-最小二乘支持向量机方法对比,表明本文所提方法具有最高的预测精度,预测准确率达到98.5％.     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

基于改进最小二乘支持向量机的短期负荷预测

为了提高短期负荷预测的精度,提出基于量子差分进化算法(Quantum Differential Evolution,QDE)优化的最小二乘支持向量机(Least Squares-Support Vector Machine,LSSVM)模型。该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明,QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机,证明了利用量子差分进化选取最小二乘支持向量机的有效性。该算法更适用于当前中国短期负荷预测的需要。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

基于最小二乘支持向量机的复杂气象条件下绝缘子等值附盐密度的预测

以"光传感器输变电设备盐密在线监测系统"提供的数据为依据,建立了一种基于最小二乘支持向量机的智能预测模型,该模型以温度(T)、相对湿度(H)、风速(Wv)、气压(P)、雨量(R)等5个变量为输入参数,等值附盐密度为输出参数,用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束.从而将二次规划问题转变为线性方程组的求解,用最小二乘法实现了支持向量机算法.用网格搜索法对最小二乘支持向量机最优参数进行自动选取,提高了预测的快速性和准确性.仿真结果表明,与BP神经网络预测的结果相比.该模型预测的等值附盐密度更接近实测结果.本文的方法为电网污区分布图的计算提供了一条新的思路.     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法。为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡。试验结果证明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法.为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡.试验结果证明:该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用.     

基于Hilbert-Huang变换和最小二乘支持向量机的电力市场出清电价预测

随着世界各国电力工业改革的发展趋势,我国于20世纪90年代也开始了以打破垄断、引入竞争、放松管制为目标的电力市场化改革。如何合理制定相应的运营模式以及怎样根据电力市场的相关历史数据准确的预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义。而实际电力市场的出清电价数据具有很强的非平稳性,Hilbert-Huang变换是分析处理非平稳性信号数据非常有效的方法,本文应用Hilbert-Huang变换首先对电力市场出清电价数据进行平稳化处理,然后运用最小二乘支持向量机（LS-SVM）对处理后的数据进行预测。预测结果表明,此模型显著的提高了出清电价预测的精度。     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

利用随机森林回归的现货市场出清价格预测方法

为得到一种实用性较强且具有较高精度的电力现货市场出清价格的预测方法,该文尝试将随机森林回归应用到现货市场出清价格预测。首先通过随机森林回归的特征重要度分析功能对历史出清价和负荷输入进行特征筛选,然后建立基于随机森林回归的市场出清价预测模型,以网格搜索和交叉验证的方法确定模型参数,最后与基于决策回归树、支持向量机回归和人工神经网络的方法在北欧现货市场公开数据的基础上进行对比试验。试验结果表明该文设计预测方法相较其他方法的平均预测精度至少提高了25%,且预测效果较为稳定,同时输入特征筛选方法的应用能够进一步提高各个模型的预测精度。     

电力市场下系统边际价格混合预测模型的新研究

电力市场中,价格作为各市场主体运营工作的重要参考信息,一直得到广泛的重视和研究.但是,电价影响因素之间复杂的相互作用增加了电价预测建模的难度.针对该问题,该文提出了一种基于独立分量分析-支持向量机的系统边际价格预测混合模型.首先,该模型基于影响因素的高阶统计信息,通过构造混合优化变换函数,建立自适应的独立分量分析迭代算法,并提出基于峭度的去冗余新方法,实现了电价影响因素的特征提取,挖掘出更具表征能力的电价有效影响因素集.然后,将该样本集用于回归支持向量机的训练,建立了独立分量分析与支持向量机相结合的电价预测模型.该模型充分发挥独立分量分析的特征提取优势,增强了支持向量机模型输入样本的表征能力,使电价预测模型更加准确.美国加州现货电能量市场的实例数据验证了该文所建模型的有效性.     

基于EMD和SVM的电网工程设备价格预测模型

电网工程设备价格的非线性和非平稳性特征导致其价格预测难度大、预测精度低,针对这一问题,建立了EMD-SVM预测模型。利用经验模态分解（EMD）将历史价格分解为平稳的、周期波动的若干价格分量,并以此作为输入,对各分量进行基于支持向量机（SVM）的价格预测,最后将各预测分量叠加得到预测值。以180 MVA主变的历史数据为样本,通过与SVM的预测结果进行对比及误差分析,验证了EMD-SVM预测方法能够有效提高电网工程设备价格的预测精度,对于工程造价管控和设备招投标具有一定的参考价值。     

基于EEMD-SVM模型的电网工程设备价格预测

由于电网工程设备价格具有非线性和非平稳性特征,导致其价格预测难度大、预测精度低,针对这一问题,建立了EEMD-SVM预测模型。利用集合经验模态分解理论（ensemble empirical mode decomposition,EEMD）对经验模态分解理论（empirical mode decomposition,EMD）进行了改进,通过EEMD将历史价格分解为平稳的、周期波动的若干价格分量,并以此作为输入,对各分量进行基于支持向量机（support vector machine,SVM）的价格预测,最后将各预测分量叠加得到预测值。以220kVA柱式断路器的历史数据为样本,通过EMD-SVM与EEMD-SVM的预测结果进行对比及误差分析,证明EEMD-SVM比EMD-SVM的预测精度更高,其预测结果对于工程造价管控和设备招投标具有一定的参考价值。     

基于相似搜索和加权回归技术的短期电价预测

在电力市场环境下,进行准确的电价预测对市场中的各参与者有极其重要的意义。提出一种基于数据挖掘中的相似搜索技术和加权回归技术的短期电价预测方法,该方法简单、方便．对临近日和相似搜索所得到的相似日的负荷-电价数据用加权回归进行电价预测。最后用美国加州电能交易所(CalPX)公布的真实数据得到的预测结果验证了该方法的有效性。     

A Statistical Approach for Interval Forecasting of the Electricity Price

Electricity price forecasting is a difficult yet essential task for market participants in a deregulated electricity market. Rather than forecasting the value, market participants are sometimes more interested in forecasting the prediction interval of the electricity price. Forecasting the prediction interval is essential for estimating the uncertainty involved in the price and thus is highly useful for making generation bidding strategies and investment decisions. In this paper, a novel data mining-based approach is proposed to achieve two major objectives: 1) to accurately forecast the value of the electricity price series, which is widely accepted as a nonlinear time series; 2) to accurately estimate the prediction interval of the electricity price series. In the proposed approach, support vector machine (SVM) is employed to forecast the value of the price. To forecast the prediction interval, we construct a statistical model by introducing a heteroscedastic variance equation for the SVM. Maximum likelihood estimation (MLE) is used to estimate model parameters. Results from the case studies on real-world price data prove that the proposed method is highly effective compared with existing methods such as GARCH models.