基于GARCH误差校正的遗传支持向量机日前电价预测

针对时间序列预测和智能算法预测各自的侧重点不同,结合两者优点对日前市场电价进行预测。首先建立支持向量机（SVM）模型对单一时点电价进行预测,将遗传算法（GA）嵌入SVM模型中来保证SVM参数选择最优。针对SVM-GA模型训练误差和测试误差存在一定的相关性和条件异方差性,采用广义自回归条件异方差（GARCH）模型对误差序列进行拟合。然后利用拟合好的GARCH模型对SVM-GA模型预测误差进行预测,最后根据GARCH预测结果对SVM-GA模型预测进行校正。用该方法对美国PJM电力市场2005年8月份日前电价进行连续预测,总体平均误差仅8.19%,比普通方法误差减少了将近4个百分点。     

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。     

基于支持向量机技术的电价灵敏度分析模型

灵敏度分析是一种分析因变量与自变量之间动态影响的有效工具。但是,由于电价与其影响因素之间关系复杂,传统算法对电价灵敏度分析不再适用,使得灵敏度分析成为电价研究中的难题之一。为解决该问题,提出了一种新的电价灵敏度分析方法。该模型首先基于支持向量机技术,建立了电价及其影响因素间的数学描述方程。在此基础上,通过求解电价对各影响因素的偏导数,获取电价对各影响因素增量的响应特性,从而实现了电价灵敏度分析建模。最后,以新英格兰电力市场的实际数据为例,验证了电价灵敏度分析方法的有效性。     

基于支持向量机的电价组合预测模型

对传统的2个线性组合预测模型进行了分析,提出了一个新的线性组合预测模型,该模型不要求权系数和为1,而且权重也可以取负值。同时,为提高精度,提出了支持向量机非线性的组合预测模型,该模型实质上是一个非线性回归模型,利用结构风险最小化原则代替传统的经验风险最小化。该模型充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择径向基核函数的支持向量机进行组合预测。同时给出了解决此问题的基于Matlab的支持向量机工具箱的源程序。以美国加州电力日均价为例,与单一预测方法、线性组合预测进行对比,支持向量机非线性的组合预测方法预测比较精确。     

电价预测的自适应支持向量机方法研究

在电力市场中对电价进行准确的预测无论对于发电商、电力用户还是市场运营者都具有重要的意义,该文突破了传统电价预测方法基于经验风险最小化的局限性,采用数据挖掘技术实现了数据隐含特征的提取,通过判断数据特征进行了核函数的选择,采用遗传算法实现了计算参数的自适应调整,并用相似样本和邻近样本训练支持向量机,对预测结果进行了去噪声合成。利用澳大利亚NSW电力市场的数据进行了验证,单日预测的平均百分比误差(MAPE)为5.85%,明显优于神经网络和单纯支持向量机的预测结果。扩大样本长度进行研究,一周的预测结果表明该方法不但能够有效学习样本信息、去除电价毛刺,并能有效跟踪电价的突变情况,实现了学习适度的优良泛化性预测。     

电价预测的自适应支持向量机方法研究

在电力市场中对电价进行准确的预测无论对于发电商、电力用户还是市场运营者都具有重要的意义,该文突破了传统电价预测方法基于经验风险最小化的局限性,采用数据挖掘技术实现了数据隐含特征的提取,通过判断数据特征进行了核函数的选择,采用遗传算法实现了计算参数的自适应调整,并用相似样本和邻近样本训练支持向量机,对预测结果进行了去噪声合成.利用澳大利亚NSW电力市场的数据进行了验证,单日预测的平均百分比误差(MAPE)为5.85%,明显优于神经网络和单纯支持向量机的预测结果.扩大样本长度进行研究,一周的预测结果表明该方法不但能够有效学习样本信息.去除电价毛刺,并能有效跟踪电价的突变情况,实现了学习适度的优良泛化性预测.     

基于Hilbert-Huang变换和最小二乘支持向量机的电力市场出清电价预测

随着世界各国电力工业改革的发展趋势,我国于20世纪90年代也开始了以打破垄断、引入竞争、放松管制为目标的电力市场化改革。如何合理制定相应的运营模式以及怎样根据电力市场的相关历史数据准确的预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义。而实际电力市场的出清电价数据具有很强的非平稳性,Hilbert-Huang变换是分析处理非平稳性信号数据非常有效的方法,本文应用Hilbert-Huang变换首先对电力市场出清电价数据进行平稳化处理,然后运用最小二乘支持向量机（LS-SVM）对处理后的数据进行预测。预测结果表明,此模型显著的提高了出清电价预测的精度。     

基于混沌支持向量机的短期风速预测

为了减轻风电对电网的影响,降低供电系统的旋转备用容量和运行成本,提出了以混沌理论为基础,基于相空间重构的支持向量机短期风速预测方法。为提高预测模型的预测精度和泛化能力,利用粒子群算法选择对相空间重构和支持向量机参数联合寻优,将最佳参数代入混沌支持向量机模型对短期风速进行预测。试验结果表明了该方法的有效性。     

基于最小二乘支持向量机的电力市场出清电价预测方法

针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国New England ISO的真实数据做验证,结果表明该方法比BP神经网络有更高的预测精度,是一种有效的预测方法。     

基于混沌支持向量机的河川径流预测研究

以黄河上游兰州站月径流序列为研究对象,在介绍相空间重构原理的基础上,探讨了混沌分析的主要定量指标:饱和关联维数d,最大Lyapunov指数λ和Kolmogorov熵k。得到该时间序列的最佳嵌入滞时τ=3个月,饱和关联维数d=3.230,最小嵌入维数m=12和最大Lyapunov指数λ=0.241,Kolmogorov熵k=0.14,指出该序列的预测时限为4个月。在此基础上建立了基于混沌特性的支持向量机径流预测模型,用1995~2004年的月径流数据进行仿真试验后,用2005年1~12月的径流数据作为预测检验,结果表明,该模型可用于混沌时间序列的月径流预测,并验证了由最大Lyapunov指数所确定的可预报时限为4个月的结论。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

Mid-term electricity market clearing price forecasting utilizing hybrid support vector machine and auto-regressive moving average with external input

Currently, there are many techniques available for short-term electricity market clearing price (MCP) forecasting, but very little has been done in the area of mid-term electricity MCP forecasting. Mid-term electricity MCP forecasting has become essential for resources reallocation, maintenance scheduling, bilateral contracting, budgeting and planning purposes. A hybrid mid-term electricity MCP forecasting model combining both support vector machine (SVM) and auto-regressive moving average with external input (ARMAX) modules is presented in this paper. The proposed hybrid model showed improved forecasting accuracy compared to forecasting models using a single SVM, a single least squares support vector machine (LSSVM) and hybrid LSSVM-ARMAX. PJM interconnection data have been utilized to illustrate the proposed model with numerical examples.     

基于支持向量机的锅炉煤质预测模型

通过基于统计学习理论的支持向量机建模和机理性的分析及推导,给出了2种不同的电厂锅炉煤质预测模型,并结合现场试验数据,给出2种方法不同的预测结果及评价.验证了支持向量机建模对于火力发电厂煤质监测具有较高的应用价值.     

基于EEMD,SVM和ARMA组合模型的电价预测

随着我国电力体制改革的不断深入,售电公司作为电力市场的主要参与者,其主要获利方式是从电力市场中购买电量并销售给用户。因此准确预测现货市场电价变化趋势,是售电公司降低购售电风险的重要保障。为此,根据现货市场中电价的特性,提出基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)、支持向量机(support vector machine,SVM)和自回归移动平均模型(autoregressive moving average,ARMA)的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列;其次,利用遗传算法(genetic algorithm,GA)优化的SVM预测高频分量,利用自回归移动平均模型预测低频分量;最后将各子序列的预测结果求和作为最终预测结果。用美国售电公司真实数据进行预测,并与其他模型进行比较。算例结果表明所提模型的预测精度更高。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于主成分分析和支持向量机的静态电压稳定评估

高维电力系统中,运用常规的潮流方程计算电压稳定的速度较慢,难以满足实时评估的要求,提出了一种基于主成分分析和支持向量机的静态电压稳定评估方法,先利用主成分分析进行特征提取和降维,再利用支持向量机建立回归模型,该方法充分发挥了支持向量机在解决高维、非线性和有限样本问题等方面的优势,保证了电压稳定评估模型的泛化能力,具有较快的评估速度和较高的预测精度,W SCC 9节点测试系统中的应用结果证明了该方法的有效性。