基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测

提出了一种基于量子行为粒子群优化算法和混沌神经网络相结合的电力系统负荷预测方法。根据粒子群的量子行为特征,采用全同粒子系更新粒子的位置,改善传统的粒子群算法精度低、易发散、收敛速度慢等缺点。利用粒子群优化算法优化出混沌神经网络的权值和阈值,克服混沌神经网络参数确定难度大、速度慢的缺点。然后利用得到的权值和阈值,通过改进粒子群优化算法-混沌神经网络模型,得到预测日的相应时刻负荷值。最后通过实际应用,证明该方法有较高的预测精度和较好的准确性,具备一定的实际应用价值。     

基于改进MOPSO-BP算法的短期电力负荷预测研究

短期电力负荷预测为电力规划的科学性、电力调度的合理性、电力运行的经济性提供了有效的指导,近年来,神经网络在预测短期电力负荷中得到了广泛应用。针对BP神经网络预测方法的自主学习能力强但预测结果容易陷入局部最小值的缺点,首先建立了三种短期电力负荷预测模型,分别是基于BP神经网络的预测模型,基于自适应网格法的多目标粒子群优化算法(MOPSO)优化BP神经网络的MOPSO-BP预测模型,以及基于拥挤距离法改进的MOPSO优化BP神经网络的改进MOPSO-BP预测模型;再利用Matlab软件进行仿真对比,研究哪种模型预测电力负荷的精度更高。结果显示,基于拥挤距离法的改进MOPSO-BP模型预测结果比其他两个预测模型的预测结果更接近真实负荷值,这表明利用改进MOPSO-BP模型对电力负荷预测的效果最好,可以为现场短期电力负荷预测提供理论依据与借鉴。     

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数(RBF)神经网络在负荷预测中存在的问题,提出一种新的预测模型:粒子群优化的RBF神经网络模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测.仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性.     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于深度递归神经网络的电力系统短期负荷预测模型

针对电力负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,本文构建了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上,深度递归神经网络增设了关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。对某地区电网实际负荷进行预测仿真,结果表明与BP网络、深度神经网络相比,深度递归神经网络的平均绝对误差的周平均值分别降低1.61%和0.56%,验证了深度递归神经网络能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于量子加权GRU神经网络的电力系统短期负荷预测

为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型.首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力.然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权...     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

综合最优灰色支持向量机模型在季节型电力负荷预测中的应用

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。     

基于混合粒子群算法和NRBF神经网络的短期电价预测

提出一种混合粒子群算法,在局部邻近区域的粒子群算法中引入收缩因子和被动聚集,将最邻近聚类用于NRBF神经网络的参数确定中,采用混合粒子群算法优化最近邻聚类的聚类半径,从而确定NRBF神经网络的参数,提高了NRBF神经网络的泛化能力.以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证,证明了此方法所建立的模型的合理性和有效性.     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题,提出一种新的预测模型：粒子群优化的RBF神经网络模型。粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测。仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性。     

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

混合WPD和ACPSO的负荷预测模型

为了解决传统BP神经网络对负荷高频分量预测精度不高、泛化能力弱的缺点以及粒子群算法(PSO)在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种混合小波包变换和自适应交叉粒子群算法(ACPSO)优化神经网络的短期负荷预测新方法。通过小波包变换对负荷样本进行多层序列分解,对单支重构所得的负荷子序列采用自适应交叉粒子群算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能充分掌握负荷波动的变化规律,有效提高负荷波动大的地区的预测精度,且预测模型具有较强泛化能力。