计及空间关联冗余的节点负荷预测方法

针对现有节点负荷预测方法对节点空间关联信息没有有效利用的问题,提出计及空间关联冗余的带有估计校正特性的节点负荷预测方法。分析量测信息在时间维度和空间维度上的关联关系,以及二者有机结合的空间关联、冗余的特性,给出二者相互校正的预测原理。对状态量和量测值之间的两种空间关联关系进行深入分析,充分寻求在空间关联拓扑上能间接表征状态量特征的多组量测值方程。依据分析结果建立计及空间关联冗余的预测模型,给出以支持向量机为前期预测模型的预测方法,并对预测方法的优点进行分析。试验结果表明:考虑空间关联冗余的节点负荷预测方法相对于支持向量机模型预测误差明显降低,有利于改善预测结果。     

基于数据挖掘技术的电力日负荷优选组合预测

提高日负荷预测精度的关键在于数据预处理。提出了基于联合数据挖掘技术的电力负荷优选组合预测方法。通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此再构建优选组合预测模型。     

一种改进的SVM短期电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确、高效的要求,提出了一种改进的支持向量机短期负荷预测方法。利用主成分降维获取日负荷数据的特征因子,通过灰色关联分析建立负荷特征因子与影响因素之间的关联关系。构建不同日之间影响因素的加权差异度值,将倒数作为权重系数引入支持向量机模型,建立了一种考虑影响因素权值特征的SVM负荷预测模型。仿真结果表明,改进的SVM模型在一个月内负荷预测的平均预测准确率约为97.01%,日均相对误差在0.32%～3.57%范围内波动。该模型的负荷预测准确率和稳定性均优于常规的SVM模型与LS-SVM模型。     

萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

基于数据挖掘的电商客户流失预测建模方法研究

文章针对数据挖掘技术在电子商务客户流失预测方面的应用研究,使用决策树算法、支持向量机算法分别建立电子商务客户流失预测模型,分析客户流失特征数据,并对2种方法的预测结果进行分析.     

基于GBDT和SVM的光伏发电出力预测研究

梯度提升决策树（GBDT）和支持向量机（SVM）是预测光伏出力的两种常用算法。分析了光伏发电出力的影响因素,介绍了GBDT算法和SVM算法的原理,以及基于两种算法的光伏出力预测模型的流程,并进行对比分析。实验结果表明,基于GBDT算法的光伏出力预测模型的平均绝对相对误差和均方根误差都较小,预测效果更好。     

基于负荷规律性分析的支持向量机短期负荷预测方法

提出了一种基于傅里叶分析的支持向量机的电力系统短期负荷预测方法。利用离散傅里叶变换的方法将历史负荷数据分解为不同频域上的分量,将不同频域上的分量依据负荷的成因及其特性组合成四种不同性质的负荷分量,对上述各分量选择不同的预测模型,对于受温度等影响较大的负荷分量,构造支持向量机模型进行预测。实例计算表明该方法是可行和有效的。     

基于模糊支持向量机的电力系统中期负荷预测

考虑到气温因素对电力系统负荷的影响,提出了一种模糊支持向量机(FSVM)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。首先利用隶属度函数对影响负荷的气温因素进行模糊化处理,然后结合已知数据得到支持向量机(SVM)的训练样本集,采用序列极小优化(SMO)算法实现对支持向量机(SVM)的快速训练,最终得到预测结果,并与不将气温模糊化的仿真结果进行比较,表明本文所提方法简便且预测精度较高。     

基于支持向量机的城市电网空间负荷预测方法

提出了一种基于支持向量机(Support Vector Machine,SVM)的城市电网空间负荷预测(Spatial Load forecasting,SLF)方法。该方法首先以等大小网格划分的规则生成元胞,并获取元胞历年负荷;然后将各元胞历年负荷最大值及其对应的年份输入支持向量机预测模型进行训练,其中采用粒子群优化(Particle Swarm Optimization,PSO)算法寻求预测模型的最优参数,预测各元胞目标年负荷最大值,从而实现空间负荷预测;最后对吉林市城市电网进行实例分析,结果验证了该方法的实用性和有效性。     

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。     

配电网多级负荷预测中的空间负荷密度指标求解方法

分析了负荷预测的多级性及负荷密度指标的影响因素,构建了负荷密度指标求取模型,引入了灰色关联度理论对配电网多级负荷进行预测及对负荷密度指标的分类求取,并用实例验证了该方法的有效性.     

基于模糊组合权重的BA-SVM短期负荷预测

针对支持向量机(SVM)内部参数优化和输入量大、时间长效率低和相似日选取的问题,提出一种模糊组合权重下相似日选取的蝙蝠算法(BA)优化的支持向量机(SVM)短期负荷预测模型。相似日的选取上主要利用熵权法和加权欧氏距离的k-均值算法对影响负荷变化的因素、负荷各时刻的变化特性进行区别对待,求取二者在相似日下集合的交集,从而得到与待预测日相似度高的相似日。同时,利用BA优化后的SVM进行负荷预测,提高内部参数的选取精度和效率。将该模型与常用的PSO-SVM、GA-SVM进行比较,证明了该模型能有效提高预测精度和计算效率。 更多还原     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

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。     

基于数据挖掘的智能化电力负荷预测

对电力负荷预测的研究主要运用了数据挖掘中的聚类分析法,建立了预测算法与预测模型相分离的通用算法库,实现了负荷预测的智能化.通过海量数据存储、数据挖掘和决策信息的支持,可有效地克服数据有限性、不完整性及影响因素复杂性对预测结果的影响,发挥独特优势,实现经济价值.     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

基于序列最小化算法的周负荷预测研究

周负荷预测具有周规律性,对编制发供电计划有重要意义。运用序列最小化算法（SMO）求解支持向量机,既能发挥支持向量机的优势,又能简化问题,缩短运行时间。通过山西省某变电站的实例分析,得到序列最小化算法适用于求解周负荷预测,且精度较高。     

基于支持向量机的短期负荷预测的方法改进

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,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题。该参数选择方法减少了参数选择的盲目性,提高了SVM的预测精度。通过在East-Slovakia Power Distribution Company提供的电网运行数据上验算,证明了该改进方法的正确性和有效性。     

智能电网中电力负荷短期预测数据挖掘模型

依据数据挖掘理论对数据进行收集、整合,运用改进型BP神经网络模型处理数据,建立电力负荷模型进行短期预测.通过不同精度下的实验分析,结果表明,改进型神经网络负荷预测模型在高精度下预测结果优于低精度下预测结果,最大误差同比降低80%,适用实际负荷预测.