基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于粗糙集改进的支持向量机模型及其在短期电力负荷预测中的应用

通过对传统的最小二乘支持向量机模型和粗糙集理论的研究,提出了一种基于粗糙集理论进行改进的最小二乘支持向量机预测技术,将粗糙集原理的属性约简与特征提取技术运用到输入指标的选取上,保留有用信息并剔除无用信息。最后,以美国PJM市场2012年1月至9月的日24点历史负荷为算例,对该时间段电力负荷进行模拟仿真。结果表明,经过粗糙集属性约简改进后的LS—SVM预测模型大大提高了其预测精度,拟合效果显著提高。     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

多策略融合学习萤火虫算法在年径流预测中的应用

为提高萤火虫算法(FA)的收敛速度和求解精度,提出多策略融合学习萤火虫算法(MSFLFA)。该算法为最优萤火虫引入深度学习策略,开展全局搜索,为非最优萤火虫引入随机吸引模型,开展局部开采,兼顾探索和开采平衡,提升收敛速度和寻优精度双目标。为验证MSFLFA性能,基于经典函数测试集进行仿真测试,实验表明,MSFLFA性能优于FA,VSSFA,WSSFA,MFA,CFA,RaFA和ApFA。为扩展MSFLFA应用领域,融合支持向量回归(SVR),建立MSFLFA-SVR径流预测模型。仿真实验表明,与FA-SVR,WSSFA-SVR,MFA-SVR,RaFA-SVR,BP-ANN-SVR和PPR-SVR模型相比,MSFLFA-SVR预测模型具有更高的预测精度。     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

RBF神经网络在电力负荷预测中的应用

将ＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ，辐基函数）人工神经网络模型用于电力系统日峰值负荷与日小时负荷的预测。文中首先给出了ＲＢＦ网络的结构，然后讨论确定ＲＢＦ网络中心及网络训练的聚类和正交化法，利用从京津唐系统中收集到的负荷数据进行网络模型的训练和回响检测，所得结果证实了ＲＢＦ网络用于负荷预测的有效性。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

RBF神经网络在电力负荷预测中的应用

将ＲＢＦ（ＲａｄｉａＢａｓｉｓＦｕｎｃｔｉｏ．辐基函数）人工神经网络模型用于电力系统日峰值负荷与日小时负荷的预测。文中首先给出了ＲＢＦ网络的结构，然后讨论确定ＲＢＦ网络中心及网络训练的聚类法和正文化法。利用从京津唐系统中收集到的负荷数据进行网络模型的训练和回响检测，所得结果证实了ＡＢＦ网络用于负荷预测的有效性。     

基于v-SVR的短期电力负荷预测

提出了一种改进支持向量机(v-SVR)的电力系统短期负荷预测方法;将RBF和多项式函数作为核函数,进行了预测研究。研究结果表明,方法要比BP和模糊聚类方法具有很高的预测精度,方法是可行和有效的。     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

基于短期负荷预测的配网无功优化控制的应用

在短期负荷预测的基础上,利用遗传算法求解整个电网的无功优化问题,得到的优化结栗为各个变电站VQC的合理限值。该方法将全局优化、集中控制与分散控制的优点结合起来,克服了各变电站无功、电压就地最优控制的弊端,提高了系统电压的合格率、降低了系统的总线损,节电效益显著。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于注意力机制的CNN-LSTM短期电力负荷预测方法

精准的短期电力负荷预测可以保障电力系统的安全可靠、经济高效运行,传统预测方法无法满足高精度的负荷预测要求,而机器学习算法的广泛应用为短期负荷预测的精确方案.提出了一种基于注意力(At-tention)机制的卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆网络(Long Sho...     

小波回归分析法在短期电力系统负荷预测中的应用

利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.     

基于改进灰色模型的短期电力负荷预测

针对短期电力负荷预测的特点,提出了更适合负荷预测模型,对传统灰色预测模型的局限性进行了改进。采用三点平滑处理削弱了个别不理想数据对整个数据序列的影响,对GM(1,1)模型进行了残值修正,建立了针对后验差检验不合格情况下的新的GM(1,1)模型。通过实证分析与相对误差的比较,该模型具有良好的适应性,可大大提高预测的精度。     

计及PUE的数据中心短期电力负荷预测方法

为了准确预测数据中心短期电力负荷,提出了基于长短期记忆神经网络的短期负荷预测模型,有效地弥补前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷.通过分析得出电源利用效率(power usage effectiveness,PUE)值与负荷具有相关性,因此在预测模型中考虑了PUE的影响,并使...     

递推最小二乘法电力系统短期负荷预报

本文用最小二乘递推算法辨识自回归模型和自回归动平均模型,编制了电力系统短期在线负荷予报程序。通过对某电力系统负荷予报的实际计算,结果表明误差在工程允许范围之内。本方法的特点是节省计算机存储容量、计算速度快,并能较好地克服对具有非平稳随机过程特性的电力负荷进行予报的困难。     

灰色预测模型在电力负荷预测中的应用

方法的选择对电力负荷预测结果至关重要,本文通过对x（1）（1）增加干扰因素β,实现对初始值的优化,较已有研究文献使用x（1）（n）＋β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。     

基于EMD-CNN-LSTM混合模型的短期电力负荷预测

为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long...