基于大数据与机器学习的配电网电缆线路工程造价预测

为了解决目前配电网工程造价影响因素繁多且复杂，工程造价难以准确预测问题，提出一种基于大数据与机器学习算法的配电网电缆线路工程造价组合预测模型。首先基于灰色关联分析法从工程造价的大数据中选取重要造价影响因素，其次基于交叉验证与网格搜索算法对最小二乘向量机算法进行关键参数寻优，最后利用寻优之后的最小二乘支持向量机算法进行造价预测。通过不同预测方法结果对比，验证了所构建的造价预测模型能有效提升预测速度和精度，为实现配电网电缆线路工程造价精准预测提供参考。     

基于改进萤火虫算法优化SVM的变电工程造价预测

变电工程造价水平直接关系到电网工程的整体经济性,造价水平预测是控制造价、提高造价合理性的重要手段。在传统萤火虫算法的基础上,采用高斯扰动技术改进萤火种算法的位置更新公式,提高萤火从算法的寻优性能从而优化SVM预测模型的参数。通过Schaffer函数测试发现,高斯扰动萤火虫算法具有收敛速度快、搜索能力强等优点。实测结果表明：该模型具有较高的预测精度和有效性。     

基于大数据的配电网架空线路工程造价预测

大数据与人工智能技术推动了工程造价全方位创新，为了提升配电网工程造价决策的水平，针对配电网架空线路工程中存在造价影响因素多、预测精度低等问题，提出一种配电网架空线路工程造价组合预测模型。首先，对配电网架空线路工程中重要数据缺失情况进行分析处理，其次，基于随机森林算法对配电网架空线路重要造价影响因素进行选取。最后，在参数寻优基础上采用最小二乘支持向量机模型进行造价预测。仿真对比结果显示，所构建的造价预测模型能有效提升预测速度和精度，该预测模型可为实现配电网架空线路工程造价预测提供一种有效实用的方法。     

基于改进遗传算法的电网投资组合预测方法

提出了一种通过改进遗传算法并综合利用灰色预测GM(1, N)模型、BP神经网络模型、多元回归模型建立的电网投资组合预测模型。基于传统遗传算法对组合预测约束条件进行了优化并改进了遗传算法中交叉算子和变异算子,从而使算法具有更强的全局搜索能力和收敛能力。利用所提出的组合预测模型对某地区电网投资进行预测的结果表明,相比于单一预测模型和其他两种组合预测模型,所提组合预测模型能充分利用原始数据的信息,具有更高的预测精度。     

基于回归分析的输电工程造价预测研究

基于国家电网公司20项输电工程的造价数据,运用相关分析基本理论,改进工程造价概算指标,在此基础上应用新的造价指标对输电工程造价进行预测.将预测结果与用BP神经网络模型预测的结果进行比较,验证了该方法的有效性和可推广性.     

基于分层优化方法的BP神经网络光伏出力预测

为减小误差反向传输(BP)神经网络算法对光伏出力的预测误差,提出了基于实际BP网络拓扑结构的分层优化方法。该方法以温度关联性确定训练数据,结合小样本灰色算法对输入层数据变化趋势的发掘能力,实现了对BP网络输入层序列数学规律的有效筛选,利用粒子群算法优化隐含层的阈值和权重,强化了BP神经网络全局寻优能力,减小了预测误差,以遗传优化算法对输出层的阈值和权重进一步优化,改善了BP网络的预测精度。构建了BP网络分层优化模型并进行了算例分析,结果表明,所提出的分层优化方法能有效地减小预测误差,提高预测精度。     

基于混沌CSO-WNN-RBF的光伏功率超短期组合预测

针对现有的光伏功率超短期预测方法难以得到所需复杂的气象数据,且光伏时间序列具有混沌特性,将小波去噪后的光伏电站的历史功率数据利用C-C法挖掘数据自身所包含的各影响因子.利用鸡群算法(CSO)对小波神经网络(WNN)的初值进行寻优,来提升WNN的预测性能.由于径向基函数(RBF)神经网络预测模型处理非线性输入输出关系具有较好的效果,将光伏功率时间序列分解为线性部分和非线性部分.提出一种CSO-WNN-RBF组合预测模型,利用CSO-WNN模型和RBF模型有序预测序列的线性部分和非线性部分,实现光伏电站输出功率的超短期组合预测.最后进行算例分析,将CSO-WNN-RBF预测模型与CSO-WNN预测模型、RBF预测模型进行预测效果对比.结果表明,所提方法在各天气类型中均保持良好的预测准确度和适用性.     

运用PSO和GRNN的短期负荷二维组合预测

为提高短期负荷预测精度,改善预测模型的工程实用性,提出了一种结合纵向和横向相似日样本的短期负荷二维组合预测方法。常用BP神经网络需优化的参数多,故采用结构简单的广义回归神经网络作为单向模型的基本预测算法。在此基础上,再通过设置组合加权系数,运用粒子群优化算法寻优系数值,得到最终的二维预测结果。对比其他短期尤其是超短期负荷预测方法,该模型不仅考虑了气象因素对负荷的影响,还充分体现了"近大远小"原则,并智能优化系数组合预测结果。电网实际负荷数据验证表明,该预测模型操作性高,速度快,且有较高的预测精度。     

基于WNN-GNN-SVM组合算法的变压器油色谱时间序列预测模型

分析了小波神经网络(WNN)、灰色神经网络(GNN)、支持向量机(SVM)预测方法的原理,利用粒子群优化(PSO)算法对这3种基本预测方法进行了结构参数优化。将WNN、GNN、SVM与PSO-BP算法进行组合,推导得出了组合预测模型最优权系数的计算方法,并优化了组合预测模型拓扑结构参数。算例分析结果表明:经过PSO算法优化后,WNN、GNN、SVM预测模型的预测精度得到了提高,其组合模型较单一模型有更高的预测精度。     

一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。