基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

基于信息熵的异常检测算法

针对K-means异常检测算法检测性能低的问题,提出了一种结合信息熵与改进K-means算法的异常检测算法。该算法均匀地选出密度大于数据集平均密度的数据对象作为初始聚类中心,避免了初始中心的随机选择。在此基础上,引入了信息熵确定属性权重的方法来计算簇中数据点与该簇聚类中心的加权欧氏距离,通过对比簇中数据点的加权欧氏距离与该簇中所有数据点的平均加权欧氏距离来进行异常检测。实验表明,改进算法具有更高的检测率和更低的误检率,应用于电力负荷数据时检测率达到了90. 5%,能够有效地检测出异常的负荷数据。     

基于模糊聚类理论的水量短期预测方法

为提高城市供水系统水量负荷的预测精度,提出一种基于模糊聚类理论的城市管网水量短期负荷预测的新方法.该方法通过对负荷历史数据进行聚类、隶属度分析,利用模糊聚类参数来描述负荷与影响因素之间的关系,并应用这种确定的相关关系进行负荷预测.应用MATLAB语言进行预测仿真得到基于模糊聚类的模糊训练结果、最终预测结果和预测误差.实践表明该方法较多地考虑各种影响因素,结构简单,预测精度高.     

地铁供电系统短期负荷预测系统设计

基于地铁供电系统短期负荷预测是电力系统短期负荷预测精细化研究的需要,本文对地铁供电系统短期负荷预测系统进行了设计。系统由负荷统计模块、负荷数据调用模块、负荷预测模块、预测误差统计模块、图形输出模块和数据输出模块等6个模块组成,在负荷预测模块中构造了基于脉冲神经网络的地铁供电系统短期负荷预测模型,用该预测模型对地铁供电系统短期负荷进行预测,并将预测结果与传统BP-NN预测模型进行对比。结果表明,脉冲神经网络预测模型的平均预测误差降低了2%以上,比BP-NN预测模型的平均预测误差明显降低,表明脉冲神经网络预测模型的预测精度明显优于BP-NN预测模型,从而验证了地铁供电系统短期负荷预测系统采用脉冲神经网络预测模型的可行性;并且脉冲神经网络预测模型具有较好的预测稳定性,1周的预测精度稳定在7.01%~7.80%区间内。该模型取得较为满意的预测精度,为地铁供电系统短期负荷预测系统的实际应用提供了理论依据。     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数;然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG-LSTM),以此获得能够预测不同模糊粒的3组LSTM模型;最后建立加权Markov-FIG-LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov-FIG-LSTM模型的RMSE、MAE和MAPE指标比FIG-LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

基于区间数的不确定数据流2k近邻聚类算法

现有数据流聚类算法多数面向的是确定性数据,可是不确定数据的数据流聚类逐步被受到关注,因为经典的不确定数据聚类算法具有概率密度函数获取困难、实用性不强以及计算复杂等缺点,提出一种基于区间数的不确定数据流聚类算法UIDStream.算法用区间数来表示属性不确定性数据和基于区间数的距离计算方法,定义了不确定性数据之间的相似度,并利用传统k近邻聚类的思想,提出基于区间数的2k近邻微簇和最优2k近邻微簇的概念,通过最优2k近邻微簇的融合,实现不确定数据流的聚类.实验结果表明:改进后的算法具有良好的聚类效果,提高了不确定数据流聚类的聚类质量和速率.     

改进灰色模型在中长期电力负荷预测中的应用

针对中长期电力系统负荷预测,在前人已有成果的基础之上,对普通灰色模型进行了改进.一方面对历史数据进行二次平滑处理,大大消除了干扰因素;另一方面利用带有马尔可夫链符号估计的残差修正技术对未来残差的符号进行预测以修正灰色模型的预测结果.以某地区多年以来的历史数据为基础,建立了数学模型,通过实际数据计算表明:改进后的灰色负荷预测方法可以应用于电力系统中长期负荷预测,而且较普通灰色预测模型在预测精度上有着明显的提高,尤其是对于较远时间的负荷预测有着较为理想的预测精度,表明了该种方法的有效性和实用性.     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

基于自动聚类和自回归模型的时间序列预测

针对股指时间序列,本文提出基于自动聚类和自回归的时间序列预测模型,将自动聚类算法与经典的时间序列模型合并.利用自动聚类算法将论域进行划分,得到相应的划分区间;再利用自回归模型确定预测数据的波动量;最后结合趋势和波动量得到最后的预测值.实验结果表明,提出的模型具有较好预测效果,在预测1992年台湾股指时间序列上,优于同类预测模型.     

基于模糊C均值软聚类工况辨识的风电功率短期区间预测

针对常规风电功率区间预测方法中以实发功率划分子区间有效性差的问题,提出了一种基于模糊C均值软聚类工况辨识的风电功率短期区间预测方法。模糊C均值软聚类可以将过渡工况的样本点划分到多个工况区间中,从而提高子区间划分的有效性。首先采用LSSVM建立风电功率确定性预测模型,然后基于聚类有效性,确定聚类数目,再利用模糊C均值软聚类对历史运行数据进行工况辨识从而划分为多个子区间,最后利用核密度估计计算各工况下功率预测值与真实值误差的概率密度函数,进而确定各工况的功率置信区间,完成区间预测。算例结果表明,基于模糊C均值软聚类工况辨识的风电功率区间预测方法在覆盖率和平均带宽等评价指标上优于常规方法,适合应用在风电功率短期区间预测中。     

动态环境下融合边缘信息的稠密视觉里程计算法

针对传统的视觉里程计算法在动态环境下存在位姿估计精度不高且鲁棒性较差的问题,提出一种融合边缘信息的稠密视觉里程计算法.首先,使用深度信息计算像素点的空间坐标,并采用K-means算法进行场景聚类.分别基于光度信息与边缘信息的聚类构建出光度及几何一致性误差与边缘对齐误差,两者结合并进行正则化后得到数据融合的残差模型.将平...     

基于灰色动态马尔科夫的航班延误预测

为解决大型枢纽机场运行管理中的航班延误问题,建立了基于灰色理论的动态马尔科夫预测模型,对航班延误情况进行预测.将灰色预测拟合值和实际值的误差分为4个区间,根据误差区间状态,运用加权马尔科夫预测下个时间段的误差范围.结合模糊集理论,将预测误差由一个区间值转化为具体值,从而对灰色预测值进行修正,得到了精确度更高的预测值.结合某机场进行实例验证,结果表明:该方法能够使预测结果的精度有了较大提升.     

一种桥梁实测小样本数据的区间优化方法——灰自助抽样与灰色系统理论相结合

针对农村公路桥梁的非概率可靠性评估中现场实测获得的数据属于小样本、贫信息且概率分布未知而难以精确估计参数变化区间这一问题,提出将灰自助抽样与基于灰色系统理论的区间估计方法相结合对桥梁实测的小样本数据进行区间估计。该方法通过自助法产生多组相似样本后利用灰色预测模型减小其误差,再通过基于灰色系统理论的区间估计方法计算各样本的灰色置信区间,并通过取交集的方式排除随机误差对结果的影响来获得更为精确的置信区间。最后将实测桥梁混凝土强度数据作为小样本数据,计算3种区间估计方法的区间估计结果,结果证明了本文所提方法的合理性及有效性。     

Vari-gram language model based on word clustering

Category-based statistic language model is an important method to solve the problem of sparse data. But there are two bottlenecks: 1) The problem of word clustering. It is hard to find a suitable clustering method with good performance and less computation. 2) Class-based method always loses the prediction ability to adapt the text in different domains. In order to solve above problems, a definition of word similarity by utilizing mutual information was presented. Based on word similarity, the definition of word set similarity was given. Experiments show that word clustering algorithm based on similarity is better than conventional greedy clustering method in speed and performance, and the perplexity is reduced from 283 to 218. At the same time, an absolute weighted difference method was presented and was used to construct vari-gram language model which has good prediction ability. The perplexity of vari-gram model is reduced from 234.65 to 219.14 on Chinese corpora, and is reduced from 195.56 to 184.25 on English corpora compared with category-based model.     

基于改进灰色模型的电力负荷中长期预测

基于电力系统中长期负荷预测的特点,针对常规灰色预测模型存在的不足,提出一种基于数据平滑处理,以及线性回归残差修正的改进灰色预测方法。对某地区算例比较和分析表明,本方法可明显提高中长期负荷预测精度。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

大型商场建筑夏季冷负荷动态预测模型

夏季建筑冷负荷的正确预测是实现大型复杂中央空调优化运行、节能降耗的关键。笔者探讨了商场建筑冷负荷的主要影响因素,确定了建筑动态冷负荷预测模型的输入,提出了夏季基于新风机组供电频率的商场顾客率间接测量方法,解决了商场内顾客量难以检测的难题。还提出了AFC-HCMAC神经网络预测模型算法,实现了大型商场建筑冷负荷的动态预测。仿真结果表明:顾客率在商场冷负荷预测中占有重要地位,在冷负荷预测模型中增加商场顾客率可显著提高预测精度;AFC-HCMAC神经网络预测算法与传统的HCMAC神经网络算法比较,可有效降低神经网络节点数,提高预测精度。     

基于IGOWMA算子的变权系数区间型组合预测模型

为了保持区间数内部的整体性及提高区间数的预测精度,提出了一种将改进相关系数和诱导广义有序加权多重平均(IGOWMA)算子相结合的区间型组合预测方法.该方法首先将区间数进行转化,以等价信息的中心和半径来表示区间数; 然后以预测精度为诱导因子,构建IGOWMA算子; 最后选取改进后的Pearson相关系数作为最优准则来建立多目标非线性规划模型,并通过引入偏好系数将模型转化为单目标规划模型.实例验证证明,该区间型组合预测模型不仅能够保证区间数内部的整体性,而且其预测结果显著优于文献中的3种单项预测方法和1种组合预测方法.对模型的参数进行灵敏度分析显示,参数λ的取值对模型的权系数、最优目标函数值以及误差指标有较明显的影响,偏好系数α则对模型的影响较小.上述结果表明,该组合预测方法能有效提高预测精度,可应用于区间数的模糊预测中.     

非线性模型的最小最大绝对残差估计

非线性模型的计算，首先对参数赋予初始值，最重要的是保证计算收敛，最小二乘法给残差以等权，对初值敏感，最小最大绝对残差方法能保证最大绝对残差下降，这是非线性模型参数估计计算收敛的重要原因，算例表明最小二乘法比最小最大绝对残差方法对初值敏感。