基于粒子群优化的电力负荷灰色预测模型

通过对dt^-dx^（1）＋ax^（1）=u的通解x^^（1）=ce^-ak＋a^-u的参数a、u、c直接求解,避免了灰微分方程参数辨识时选取合理背景值的问题,构建了适应性更强的不需构造GM（1,1）模型的背詈值而直接求解灰微分方程参数的模型,并且在求解这些参数的过程中,应用了在求解非线性问题中具有全局寻优能力的粒子群算法（PSO）。提出了基于粒子群算法优化的电力负荷灰色预测模型PSOGM（1,1,a,u,c）,通过在电力负荷实例中的应用并与传统的GM（1,1）预测模型进行了效果比较,验证了基于粒子群算法优化的电力负荷GM（1,1）模型具有很好的预测精度和适用性。     

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

粒子群优化的灰色模型在中长期负荷预测中的应用

针对GM(1,1)模型的局限性及在负荷预测中存在的问题,提出了一种基于粒子群优化的灰色模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化灰色模型的背景值及初始值修正值,能较好地提高电力系统中长期负荷预测的精度.在虚拟仪器LabVIEW平台上进行仿真,验证了所提方法的有效性.     

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是，当负荷按照“S”型曲线增长或增长处于饱和阶段时，采用灰色模型进行负荷预测的误差较大，预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中，可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst模型在中长期负荷预测中的应用。结果表明，此模型在负荷预测中是适用的，尤其对于负荷按“S”型曲线增长的情况，不但具有较高的预测精度，同时保留了灰色预测方法的优势和特点。     

可变参数无偏灰色模型的中长期负荷预测

由于传统灰色预测模型固有的偏差和模型参数的固定选择，导致预测精度较低，不适应中长期负荷预测，对传统模型进行改进，包括对历史数据的平滑处理，模型参数修正，等维新息数据处理和对预测值的修正等，改进后的模型能够较好的预测中长期负荷。     

基于变权缓冲灰色模型的中长期负荷预测

为解决传统灰色模型和缓冲算子在中长期电力负荷预测应用中存在的问题,提出了变权缓冲灰色模型。该模型将变权缓冲算子与背景值优化灰色模型相结合,实现对原始负荷数据的动态预处理。基于粒子群优化算法,以拟合值与实际值的灰色关联度最大为目标,选择最优缓冲系数,在提高模型精度的同时,使预测结果最大程度地体现原有负荷数据的内在发展趋势,提高拟合和预测的稳定性。为验证模型效果,使用2003—2008年全国全社会用电量数据建模,预测2009—2011年的用电量,预测结果证明了该模型在中长期负荷预测中的有效性和可用性。     

缓冲算子改进灰色模型在中长期负荷预测中的应用

通过对原始数据的定性分析,提出了利用缓冲算子对历史负荷序列进行作用,有效地控制灰色模型的发展系数,较好地解决了负荷预测偏差较大的问题。实例表明了运用序列算子作用后生成的缓冲序列建模,预测的精度和适应性都大大提高了,该方法在负荷预测中有较强的实用性和推广性。     

基于灰色理论的中长期负荷预测

对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.     

电动汽车电机故障时间的粒子群优化灰色预测

电动汽车电机故障因素多,可靠性分析需要大样本数据,为准确预测电机的故障时间,建立了故障率较高元件的故障树模型,给出了其可靠性计算式,并将基于小样本数据的灰色算法引入到电机可靠性计算中,利用传统和改进灰色模型进行仿真分析。为了进一步提高预测精度,以两种灰色模型为基础,利用粒子群算法的全局寻优能力,提出了以均方差最小为目标函数的优化模型,对电机故障时间进行预测,并利用两组实测数据进行了验证。结果表明,优化算法的相对平均误差分别为3.36%和5.05%,相对误差最大值分别为5.62%和8.41%。该结果验证了所提算法的有效性,为电动汽车电机的故障预测提供了理论依据。     

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

支持向量机（SVM）已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测。提出了一种基于鲁棒支持向量回归机RSVR（Robust Support Vector Regression）的中长期负荷预测的新方法。给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法。建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势。     

改进粒子群优化算法在电力负荷组合预测模型中的应用

提出了改进的粒子群优化算法：通过改进初始粒子种群的产生方法,加快其产生速度;在新的粒子种群产生过程中引入自适应步长,可以在该速度梯度方向上找到较优的粒子,进而加速了收敛速度;借鉴遗传算法中的变异操作增加了粒子的多样性,减小了算法陷入局部极值的可能。通过应用实例证明,将改进的粒子群优化算法应用到电力负荷组合预测模型的权重求解是可行的。     

基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

中长期电力负荷预测的改进免疫粒子群算法

针对免疫粒子群算法收敛速度慢,精确度相对较低的缺点,采用平衡理论和自适应调整两项策略加以改进,提出改进的免疫粒子群算法.一方面在新的粒子种群产生过程中引入扰动变量,使粒子群在遵守秩序和随机行为之间达到平衡;另一方面在粒子搜索复杂解空间过程中,通过计算个体适应值划分粒子的优劣等级,提出粒子速度自适应可调机制.实例证明,将...     

基于灰色模型的电力负荷短期预测

准确的负荷预测可以保证电网的安全稳定运行,提高电力系统运行的经济效益,为此,基于灰色理论建立了电力负荷预测模型,并结合陕西省汉中市区电力局某变电站2006年7月的实际负荷讨论了灰色模型在短期负荷预测中的应用,实例计算表明,该模型具有预测精度高、计算过程简单等特点。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。