结合模糊粗糙集和支持向量机的电力负荷短期预测方法

针对支持向量机（support vector machine,SVM）负荷预测方法中存在冗余信息、数据量过大而导致的训练时间过长、速度变慢等缺陷,利用模糊粗糙集（Fuzzy Rough Sets,FRS）能有效地处理不精确或不完备知识及冗余信息的特点,提出了一种结合FRS和SVM的短期负荷预测模型,将FRS理论中的属性约简算法用于解决电力负荷中众多影响因素的信息膨胀问题,采用属性约简算法剔除与决策信息不相关的因素,将约简后的因素作为SVM的输入,并采用SVM回归算法预测短期负荷。算例仿真表明,该预测模型可保证预测精度,加快计算速度。     

基于IPSO-LSVM的短期负荷预测方法

传统基于支持向量机(SVM)的短期负荷预测模型存在着输入变量不易确定以及模型参数难以最优化的问题。针对这两个缺点,本文提出了一种基于IPSO-LSVM的短期负荷预测方法。首先引入LASSO回归筛选SVM预测模型中的滞后负荷,将筛选结果和其余影响因素作为SVM预测模型中的输入变量,建立LASSO与SVM的耦合模型(LSVM);然后采用IPSO算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后采用优化后的模型进行预测。算例分析表明,IPSO优化LSVM的方法能够有效提高短期负荷预测的精度。     

改进蚁群化学聚类算法在短期负荷预测中的应用

针对现有电力系统短期负荷预测精度低、数据处理量大、易陷入局部寻优等缺点,提出了一种改进蚁群化学聚类方法。该方法通过在蚁群化学聚类算法的基础上引入核函数来优化负荷预测因素,减少在训练过程中的数据量,提高了预测速度和精度。经过对湖南某市的短期负荷预测,并与SVM及神经网络对比,其结果表明该预测模型精度高于SVM与神经网络模型精度。理论分析和实验数据验证了该算法具有一定的实用性和可行性。     

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.     

基于改进的SVM短期负荷预测研究

提出一种基于数据挖掘技术的电力负荷短期预测方法,将SVM方法引入到短期负荷预测研究领域。通过随机选取历史负荷数据来更新回归函数,这样可以充分保证计算速度和较高的预测精度。提出利用松原地区的历史负荷数据作为训练样本,通过与传统的BP神经网络预测模型进行对比,对预测结果进行比较,证明SVM预测方法在一定程度上能够保证短期负荷预测的精度。     

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。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究,将多分辨率支持向量机（M—SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点,设计了负荷预测数学模型,采用96条回归曲线进行日负荷的曲线预测,并在该模型的基础上采用实际数据进行验证,分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM)，与采用经验风险最小化原则（ERM)的传统神经网络方法相比，具有更好的泛化性能和精度，减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题。为了提高负荷预测精度，文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验，结果证明了其在短期负荷预测中的有效性。     

基于FOABHC＿SVM的微电网短期负荷预测模型

为适应微电网的建设和发展对负荷预测效率及精度的要求,针对微电网负荷基数小、间歇性和随机性大等特点,提出一种基于历史认知果蝇优化算法（FOABHC）－优化支持向量机（SVM）的微电网短期负荷预测模型。以国内某微电网示范工程项目为例,将FOABHC＿SVM用于微电网短期负荷预测。实例仿真结果表明,所提出的FOABHC＿SVM预测模型优于SVM预测模型,更适用于当前微电网短期负荷预测需要。     

短期负荷预测分析及一种新模型构想

在分析、比较目前较为成熟的短期负荷预测模型的优、缺点的基础上,提出一种基于支持向量机理论的复合预测模型的构想,该模型通过对2个训练集样本的选择,弥补因单一训练集过大(包含冗余信息)或过小(必要信息遗失)造成的预测精度下降。为提高训练的收敛速度,预测时,可通过将负荷分类的方式简化模型。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。     

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。     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

基于层次聚类算法与ISA-LSSVM的短期负荷预测研究

针对不同类型用户的短期负荷预测,目前应用较为广泛的为支持向量机与深度学习模型。针对最小二乘支持向量机（least squares support vector machine,LSSVM）模型中超参数难以确定、模型对数据质量要求较高等问题,而集成常规优化算法又会有寻优速度慢、易陷入局部最优等问题,提出了一种混合模型。首先使用层次聚类（hierarchical clustering,HC）对原始特征数据进行聚类进而为同一类预测日建立对应LSSVM模型,再通过改进的模拟退火算法（improved simulate anneal,ISA）对LSSVM中的超参数进行启发式搜索。最后通过对广东省佛山市某行业用户用电负荷进行负荷预测,与各种负荷预测模型性能进行对比,结果证明所提模型可有效提高负荷预测精度、缩短预测时间。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

基于人群搜索算法优化参数的支持向量机短期电力负荷预测

支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法.模型的输入因子是负荷数据和气象信息等.粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型.通过仿真验证了改进前后预测模型的准确性和...