基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测

提出了一种联合使用硬C均值(hard C-mean,HCM) 聚类算法和支持向量机(support vector machine,SVM)的电力系统短期负荷预测方法。与目前采用单一SVM的负荷预测方法相比,考虑了电力负荷变化的周期性特征,依据输入样本的相似度选取训练样本,即通过对学习样本的聚类选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。实际应用证明了该方法的有效性,该方法不仅提高了负荷预测精度,还缩短了预测执行时间。     

基于复Gaussian小波SVM的短期负荷预测

提出了复Gaussian小波SVM模型,并将其应用于对电力系统短期负荷的预测。证明了复Gaussian小波核满足SVM平移不变核条件,建立了相应的SVM,并且使用搜寻者优化算法对相关参数进行优化选择。在短期负荷预测的仿真实验中,通过与常用的径向基核SVM模型的对比,验证了该方法具有较好的精确度和有效性,有一定的实用价值。     

基于模糊聚类的多神经网络在短期电力负荷预测中的应用

根据城市短期电力负荷所呈现出的趋势性和一定的周期性,本文提出了模糊聚类和多个神经网络相结合的负荷预测方法,即首先根据一定长度时间段负荷的变化趋势相似性,将众多相同时间段长度的样本聚类,再用不同的神经网络对每个类别的数据样本进行学习,最后将待测数据所属时间段判定类别后用相应的神经网络进行预测.文中采用某市电力负荷实测数据进行了建模和计算,通过与普通的单一人工神经网络方法的比较,证明该方法具有预测平均绝对误差小、训练速度快、推广能力好的优点,有潜在的应用价值.     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法。该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测。样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性。     

计及相似日与气象因素的电动汽车充电负荷聚类预测

电动汽车充电负荷精准预测对于电网调度、电力市场交易、充电站规划建设等具有实际意义.由于电动汽车充电负荷特性异于传统的电力负荷,两者负荷的规律性及影响因素的敏感性各有不同,有必要针对电动汽车充电负荷影响因素及预测模型开展针对性研究.考虑到不同类型电动汽车充电负荷时间序列特性及影响因素存在差异,构建考虑日类型、最高与最低温...     

基于K-means聚类的小波支持向量机配电网短期负荷预测及应用

配电主站因量测能力不足制约着潮流计算、负荷转供等应用功能的工程实用化水平。在智能配用电大数据环境下,针对配电网负荷波动性和随机性大的特点,提出K-means聚类和小波—支持向量机相结合的配电网短期负荷预测方法。通过横向聚类分析提取日负荷典型特征曲线,补全历史缺失数据;通过纵向聚类分析对历史相似日归类,挖掘外部环境因素对负荷的影响。采用小波变换将历史数据分解到不同的尺度上,结合聚类结果形成各分支训练样本进行支持向量机预测,各分支预测结果叠加生成最终预测结果。基于配电变压器负荷预测的结果对负荷转供方案进行安全校验,为线路检修计划提供指导。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究,选择了不同的输入向量（历史风速时间序列,历史风速和温度,历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值     

基于减法聚类的FCM算法在电力负荷分类中的应用

针对目前在电力负荷分类中应用较多的模糊C均值聚类算法(FCM)的不足之处,提出了一种基于减法聚类改进的算法(SUB-FCM)。该算法运用减法聚类来初始化聚类中心矩阵,解决了FCM算法随机初始化的问题,且提高了算法的全局搜索能力,避免陷入局部最优解。由实验算例分析发现,该算法还能加快收敛速度,且收敛效果也较好,能有效应用于电力负荷分类。     

神经网络和支持向量机在短期负荷预测中的应用

本文在分析了支持向量机基本原理的基础上,对支持向量机采用回归算法,建立了相应的预测模型,和改进的BP神经网络进行比较,并做了实例分析比较,证明了基于支持向量机回归算法预测模型的优越性。     

基于支持向量机混合模型的短期负荷预测方法

将支持向量机专家系统混合模型应用于短期负荷预测采用方法分为2个阶段:应用神经网络中的聚类算法将历史数据分割成不相连的数据域;对每个数据域选择最佳核函数预测单个SVMs。实际数据验证表明,该方法与单个多项式核、高斯核和3次样条核的SVMs预测相比具有预测精度高、支持向量少和计算量小等优点。     

实现影响因素多源异构融合的短期负荷预测支持向量机算法

针对智能电网大数据环境下,导致电力系统负荷波动的诸多因素存在多源异构性的问题,利用多核函数来对其多源异构特性进行差异化处理和融合,能够描述影响因素的内在分布特性并应对其变化,提高负荷预测精度。选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9个属性作为多源异构影响因素,利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成,采用双层多核学习算法,建立了并行化多核支持向量机(SVM)负荷预测算法流程,并在Hadoop集群上进行了仿真验证。仿真结果表明,多核SVM比单核SVM预测平均相对误差小,双层多核学习、基于lp范数的多核SVM模型预测精度最高。因此,多核SVM能有效处理负荷预测中的多源异构数据,经并行化处理后,能提高负荷预测的速度与精度。     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。     

分区支持向量回归及其在负荷预测中的应用

为解决局地短期电力负荷预测问题,给出了一种基于自适应聚类分区和支持向量机回归的多模型变结构负荷预测新方法.首先根据局地电力负荷的特点,使用模糊C均值聚类方法给出预测时间点的自适应分区;然后利用支持向量回归方法对不同分区分别构建预测子模型;最后提出一种基于仿真分析的模型评估和参数优化方法,在测试评估的基础上优化确定各子模型的参数,并适当调整各分区的结构.实验表明该预测方法比常用的神经网络预测方法具有更高的准确率和更强的鲁棒性.     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode decomposition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimization algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。