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。     

基于贝叶斯理论和在线学习支持向量机的短期负荷预测

该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息，包括样本信息和先验知识结合在一起加以利用，不但避免了过拟合问题，而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上，以递增和递减算法可直接得到新的回归函数而无需重新训练，从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

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。     

基于免疫加权支持向量机方法的短期负荷预测

在对支持向量机（SVM）方法进行分析的基础上，提出了一种免疫加权支持向量机（IWSVM）方法来预测电力系统短期负荷。其中根据各样本重要性的不同，引入了加权支持向量机方法，然后利用免疫规划算法对其进行参数优化。免疫规划算法利用浓度和个体多样性保持机制进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多样性。电力系统短期负荷预测的实际算例表明，与支持向量机方法相比，所提免疫加权支持向量机方法具有更高的预测精度。     

基于免疫支持向量机方法的电力系统短期负荷预测

在对支持向量机(Support Vector Machines,SVM)方法的参数性能进行分析的基础上,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

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。     

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本．然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集．拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据．以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。     

基于SOFM和支持向量机回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量机(SVM)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略对训练样本集进行聚类分析,将其分为若干相似子类,再针对每一子类构造一个支持向量机回归模型;使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了基于SOFM和SVM的网络结构;采用河北省某市的实际负荷数据选择样本进行预测。算例表明该方法能够缩短训练时间,提高预测精度。     

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。     

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。     

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。     

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。