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。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于粗糙集的混合支持向量机长期电力负荷预测研究

影响中长期负荷因素众多,而且单一核函数支持向量机泛化或学习能力较弱,预测精度受限.提出一种结合粗糙集和支持向量机智能算法的负荷预测模型,通过属性约简算法筛选出影响长期电力负荷的核心影响因素,剔除冗余信息,选定全社会用电量、人均产值、产值单耗为输入变量,构建基于多项式核函数、径向基核函数的混合核函数支持向量机预测模型,有效提高函数的泛化及学习能力.算例结果表明,所提出的模型预测平均误差仅为0.59%,预测精度有了很大提高且适用于长期负荷预测.     

优化组合核函数相关向量机电力负荷预测模型

在单一核函数相关向量机模型的基础上,构建高斯核函数分别与多项式核函数和张量积线性样条核函数进行线性组合的多种组合核函数相关向量机中期电力负荷预测模型,并利用粒子群优化算法对组合核函数的各参数进行优化选择.以2001年组织的国际电力负荷预测竞赛提供的公开数据为训练和测试样本,分别对多种核函数相关向量机中期电力负荷预测模型进行仿真预测计算.结果显示,虽然各模型都取得了较好的预测精确度,但是基于组合核函数的相关向量机在各项评价指标上都优于基于单一核函数的相关向量机.还利用相关向量机的概率预测优势得到了其他模式识别模型无法得到的预测误差范围.     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...     

短期负荷预测的支持向量机参数选择方法

支持向量机SVM(support vector machine)方法的合理参数选择对提高回归结果的准确性有重要作用.该文采用基于支持向量机短期负荷预测的参数选择方法,用遗传算法对参数种群进行编码、交叉、复制和变异,求得最优参数和最优核函数.将该算法应用于电力系统短期负荷预测中,应用了筛选和不筛选特征值两种方案对历史数据进行了预测.算例证明,无论是应用筛选特征值方案还是不筛选特征值方案,参数选择对预测精度提高都具有重要作用.     

基于粗糙集的混合支持向量机长期电力负荷预测研究

影响中长期负荷因素众多,而且单一核函数支持向量机泛化或学习能力较弱,预测精度受限。提出一种结合粗糙集和支持向量机智能算法的负荷预测模型,通过属性约简算法筛选出影响长期电力负荷的核心影响因素,剔除冗余信息,选定全社会用电量、人均产值、产值单耗为输入变量,构建基于多项式核函数、径向基核函数的混合核函数支持向量机预测模型,有效提高函数的泛化及学习能力。算例结果表明,所提出的模型预测平均误差仅为0.59%,预测精度有了很大提高且适用于长期负荷预测。     

基于贝叶斯证据框架的支持向量机负荷建模

负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ.为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度.采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果.     

基于PSO混合核函数SVM对光伏最大功率点的预测研究

针对传统的光伏最大功率点跟踪算法存在成本高,精度低的问题,进而采用混合核支持向量机算法尝试解决这一难题。通过研究分析高斯核函数与多项式核函数的特性,线性加权高斯核函数与多项式核函数,构造混合形式的支持向量机模型,并使用粒子群算法优化模型参数,对光伏最大功率点电压进行预测。实验分析表明,混合核函数结合了两个单核的优点,兼顾支持向量机全局拟合能力与局部拟合能力。非线性函数预测精度优于单核模型,泛化能力高,训练时间少,平稳性好。