电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

基于粒子群优化灰色模型的电力系统负荷预测

在分析灰色GM(1,1)模型局限性的基础上,应用粒子群优化算法的非线性全局寻优能力来求解灰色模型参数值,提出了基于粒子群优化算法的灰色模型,并给出了负荷预测的实例.预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较广泛的应用范围.     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

电力系统经济负荷分配的改进粒子群算法

为解决电力系统中的经济负荷分配问题,将改进粒子群算法用于其中。该算法是以基本粒子群算法为基础,利用优化惯性权重策略以及改进最优最差粒子策略,使改进粒子群算法具有高效率全局搜索能力。对三个算例进行仿真测试,证实该算法可有效地解决经济负荷分配问题;性能对比显示,该算法求得的解优于基本粒子群算法及其它优化算法所求得的解。     

基于改进PSO算法的快速性厂级负荷优化分配研究

通过对机组完成负荷过程的分析,得出了理想状态下电厂完成电网分配负荷的最短时间,并进行了数学证明;在此基础上,建立了以快速完成电网负荷需求为目的的厂级负荷优化分配数学模型,提出了一种新的改进粒子群算法:一是提出了多粒子提供共享信息机制,克服了仅有全局最优粒子提供共享信息的弊端,二是提出了处理等式约束问题的基于优先顺序法的粒子位置数据修补策略,克服了用罚函数法造成迭代次数过多,寻优时间过长的缺点。最后给出算例,通过仿真对比,证明了提出的改进粒子群优化算法的高效搜索性能及基于快速性的厂级负荷优化分配数学模型的正确性和有效性。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于改进粒子群算法的动态无功优化研究

根据电力系统中负荷不断变化的情况,提出了动态无功优化的数学模型,并依据负荷曲线的变化特点进行智能分段。对粒子群算法进行改进,使其具有更好的收敛性和精确度,有效的避免了陷入局部最优解的情况。IEEE6节点系统算例分析表明,改进后的粒子群算法相比改进前的粒子群算法有明显的改善,能够减小系统网损。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于粒子群优化的生物组学数据分类模型选择

针对生物组学数据普遍存在的高维小样本和样本分布不平衡问题,提出基于粒子群优化分类模型选择算法.该算法中粒子编码由样本平衡模型、特征选择模型和分类模型及超参数构成,粒子种群以达到以生物组学数据最佳分类性能为目标,通过对粒子的速度和位置进行迭代更新,得到模型组合及超参数的最优解.在8组真实生物组学数据集上的实验结果表明,所提模型选择算法能够避免人为选择所带来的主观偏差,提高最佳分类性能和稳定性.     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.     

基于分段多目标相似日选取法的短期负荷预测

提出了一种基于分段多目标相似日选取算法.该方法将负荷进行分段处理,将一天的负荷根据负荷波动规律分为5段,每段分别选取相似日,可以很好地克服选择的相似日只有部分相似的情况,并提出了虚拟相似日的概念.采用负荷曲线形状相似度最大和曲线差异度最小的多目标粒子群算法,可以保证选择的相似日的负荷曲线与预测日的负荷曲线在形状上和数量上的差别最小,从而可以提高负荷预测的精度,根据该算法得到的特征系数可以很好地判断出影响该段负荷变化的主导因素.将该相似日选择算法结合改进灰色预测算法应用到某地实际负荷预测中,结果表明该算法在相似日选择和负荷预测中均具有较高的精度.     

基于PSO-ABFO的负荷频率控制系统控制器设计与优化

负荷频率控制对于保障电网本身安全可靠运行有重要作用,适宜的控制器整定参数使得电网在各种随机扰动下能维持系统频率稳定和长期安全运行.针对单区域两机组电网的负荷频率控制器参优化整定问题,提出一种基于粒子群改进自适应细菌觅食优化算法(PSO-ABFO)的控制器参数整定设计方法.PSO-ABFO在标准细菌觅食算法的基础上,结合粒子群(PSO)算法思想引入全局最优、个体最优以及自适应步长,重新定义细菌的健康度并修改细菌迁移的方式,提高算法的寻优速度和寻优精度.最后,建立负荷频率控制系统(LFC)模型进行仿真试验,验证所提控制器设计与优化方法使系统动态性能显著提升.     

基于局部粒子群算法的家庭用电负荷优化控制策略

提出一种分时电价政策下电能总花费最低的家庭用电负荷优化控制策略.采用局部粒子群算法对家庭中4类常见用电负荷的花费进行优化,与无优化处理和传统粒子群算法进行对比分析,并在Python平台上搭建数学模型和开展仿真实验.结果表明,局部粒子群算法可大幅度减少家庭用电花费,具有全局搜索能力强、收敛速度快等优点,可推广应用到家庭能源管理领域相关研究.     

具有QoS保障的多小区M2M负荷均衡算法

针对机器间通信终端分布不均引起的系统吞吐量减小和用户接入时延增大等问题,提出一种多小区机器间通信负荷均衡算法,综合考虑了各小区机器间通信接入负荷因子以及机器间通信设备的信号质量,建立了优化模型并将其近似为凸优化问题,实现了各小区间的负荷均衡. 仿真结果表明,当小区间负荷不均时,所提多小区机器间通信负荷均衡算法能够大大改善系统吞吐量和用户接入时延性能.     

基于柔性负荷和建筑多能源系统的电网峰谷调节算法

针对建筑能源系统负荷多样,导致电网波动和负荷峰谷差日益增大的问题,提出了一种基于柔性负荷与建筑多能源系统的电网峰谷调剂算法,以实现多能源系统联合参与的电网峰谷调节.该算法通过构建储能设备和空调系统的功率模型,来建立多能源系统负荷与功率优化的电网峰谷调节目标函数.同时,针对电网峰谷调节的特点提出了一种改进的粒子群优化算法,以求解该目标函数实现电网的峰谷调节.仿真分析与实验结果表明,所提出的方法优于单纯使用储能设备和空调系统的电网峰谷调节方法,能够显著提高负荷的平滑度与能源利用率.     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度，引入一种新型的群智能方法——粒子群优化算法，并将这种智能算法与BP算法相结合，形成了粒子群优化BP算法模型，建立了计及气象因素的短期负荷预测模型．通过具体算例将此模型与单纯的BP模型进行比较，结果表明：该算法具有较高的预测精度，完全能满足实际工程的要求．     

基于免疫粒子群优化算法的多用户检测器

该文将免疫系统的免疫机制引入到粒子群优化算法的设计中.模拟免疫系统、群集智能的信息处理机制,提出了免疫粒子群优化算法.这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力.然后在CDMA系统中,利用此算法设计了多用户检测器,仿真结果证明该文的方法能够快速收敛到全局最优解,并且抗多址干扰能力和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器.     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.