基于非负矩阵分解和相关向量机的短期负荷预测

为了能够进一步提高电力系统负荷预测的准确性,提出了一种基于非负矩阵分解（nonnegative matrix factoriza-tion, NMF）和相关向量机,（relevant vector machine, RVM）的短期负荷预测方法。此方法通过利用NMF对输入样本进行分解,得到低维的非负映射矩阵,将该低维矩阵输入到相关向量机进行训练预测。仿真结果表明,预测效果有明显的改善,而所提出的NMF—RVM模型较之单一的RVM模型具有更高的预测精度。     

基于非负矩阵分解的相关向量机短期负荷预测模型

针对传统特征提取方法只能抽取样本的代数特征而无法顾及问题实际意义的缺点,提出一种基于非负矩阵分解的相关向量机短期负荷预测模型。通过非负矩阵分解算法对输入样本进行分解,得到非负的低维映射矩阵,将该低维矩阵输入相关向量机进行训练预测。由于此低维矩阵具有非负性质,因而该模型在消除冗余数据、降低维数的同时,保留了原始问题的实际意义。实验结果表明,所提出的方法能有效降低输入变量的维数,预测精度也得到了提高。     

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。     

基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型

变压器油中溶解气体浓度是评估变压器绝缘状态的重要依据,对气体浓度进行有效预测,可以及时识别变压器潜伏性故障。文中提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)与改进极端学习机(extreme learning machine,ELM)组合的变压器中溶解气体浓度预测模型。该方法通过NMF算法对输入样本进行分解,同时引入Adaboost算法对极端学习机进行改进;将低维矩阵作为模型的训练样本输入,剔除冗余数据,提高预测精度。实例分析结果表明,文中提出的方法能有效地降低输入样本维数,提高预测精度,能较好地解决变压器油中溶解气体浓度预测问题。     

基于非负矩阵分解的同调机群识别方法

为了解决源数据维数较大的问题,提出了一种基于非负矩阵分解(NMF)的同调机群识别方法。采用发电机角速度作为源数据,使用NMF算法对其进行降维。由于此低维矩阵具有非负性质,因而该模型在消除冗余数据、降低维数的同时,保留了原始问题的实际意义。对低维矩阵归一化,再利用K均值聚类算法对其进行聚类,达到同调机群的分群目的。通过New England 10机39节点系统比较了基于NMF和主成分分析方法的分群效果,验证了基于NMF的同调机群识别方法的有效性。     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于非负矩阵分解的同调机群识别方法

为了解决源数据维数较大的问题,提出了一种基于非负矩阵分解(NMF)的同调机群识别方法.采用发电机角速度作为源数据,使用NMF算法对其进行降维.由于此低维矩阵具有非负性质,因而该模型在消除冗余数据、降低维数的同时,保留了原始问题的实际意义.对低维矩阵归一化,再利用K均值聚类算法对其进行聚类,达到同调机群的分群目的.通过New England 10机39节点系统比较了基于NMF和主成分分析方法的分群效果,验证了基于NMF的同调机群识别方法的有效性.     

基于二维小波变换的短期负荷预测

根据电力负荷的周期性与随机性,提出了基于二维小波变换和最小二乘支持向量机的电力系统短期负荷预测方法。首先构造负荷序列二维矩阵,利用二维小波变换将负荷矩阵分解为基荷低频、每天变化的高频、每个时刻变化的高频、随机干扰四个分量,根据重构后负荷分量的特点,构造不同的最小二乘支持向量机模型进行预测;最后将预测后的数据进行叠加得到预测结果。实际预测结果表明该方法具有较高的预测精度和较强的适应能力。     

基于主成分分析的最小二乘支持向量机短期负荷预测模型

提出了一种基于主成分分析(PCA)的最小二乘支持向量机(LS-SVM)短期负荷预测模型,模型中引入多元统计分析中的主戍分分析理论来解决输入变量的选择问题。该模型首先对样本的高维变量数据矩阵进行标准化处理,建立相关矩阵,计算特征值和特征向量,然后求取累计方差贡献率,并据此求取主成分作为最小二乘支持向量机的输入进行训练预测。主成分以较少的维数包含了原高维变量所携带的大部分信息,全面地考虑了影响负荷预测的各种因素,又避免了过多的输入导致的精度低、训练慢的不足。实例表明,所提方法可有效地消除众多影响因素间的相关性,减少输入变量个数,提高预测效率和精度。     

基于小波变换和相关向量机的短期风功率预测

采用小波变换(wavelet transform,WT)和相关向量机(relevance vector machine,RVM)结合的方法对风电场发电功率短期预测进行研究。先利用小波变换将信号分解为不同频率的子序列,提取出风速中的低频趋势分量和高频波动分量;再结合风向和温度数据,运用RVM在不同分量上分别进行预测,并通过重构得到功率的预测结果。此方法应用于国内某风电场,仿真结果表明,通过小波分析能够把握风速变换规律,RVM预测法有较强的学习能力,小波—相关向量机法有效提高了预测精度,表明了该方法的可行性。