相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

鲶鱼粒子群算法优化支持向量机的短期负荷预测

为了准确、有效地预测短期负荷,提出了一种鲶鱼粒子群算法优化支持向量机的短期负荷预测模型（BFPSO-SVM）。基于混沌理论对短期负荷时间序列进行相空间重构;将支持向量机参数的组合看作一个粒子位置串,通过粒子间互作找到最优支持向量机参数,并引入“鲶鱼效应”,克服基本粒子群算法的缺点;根据最优参数建立短期负荷预测模型,并对模型性能进行仿真测试。仿真结果表明,相对于其他预测模型,BFPSO-SVM不仅加快了支持向量机参数寻优速度,而且提高了短期负荷预测精度,更适用于短期负荷预测的需要。     

基于小波分析和相空重构相融合的风速预测

研究风速准确预测问题,针对风速具有随机性、间歇性以及混沌性,且含有大量噪声,造成预测精度误差.为提高风速预测精度,提出一种小波分析和相空间重构相融合的风速预测方法.首先采用小波技术消除风速历史数据,然后用混沌理论对数据重构,最后数据输入到支持向量机训练,并采用遗传算法优化支持向量机参数,建立最优风速最优预测模型.结果表明,相对传统预测方法,小波分析和相空间重构预测方法更能准确刻画风速的复杂变化特点,提高了风速的预测精度,也为其它非线性预测问题提供了一种新的研究思路.     

混沌时间序列预测模型参数同步优化

传统上相空间重构与预测模型参数优化分开优化,割裂两者的联系,模型预测性能难以达到最优。利用相空间重构和预测模型参数的互相关系,提出一种混沌时间序列预测模型参数同步优化方法。首先采用均匀设计方法对影响模型预测精度的参数进行均匀设计,然后采用自调用最小二乘支持向量机进行参数同步优化,得到最优参数。以经典混沌时间序列太阳黑子年平均数为例进行了验证,结果表明,相对传统的参数优化算法,参数同步优化算法时间复杂度低、预测精度高,为混沌时间序列预测模型参数优化提供了一种新的思路。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

SVM在非线性网络流量预测中的应用研究

网络流量是一种高度自相关、非线性时间序列数据,传统预测方法都是基于线性模型,无法反映网络流量的非线性变化规很,导致预测精度不高.为了提高网络流量的预测精度,在分析网络流量特征的基础上,提出一种基于相空间重构的支持向量机网络流量预测模型.首先利用相空间重构对网络流量原始数据进行重构,捕捉原始数据的多样性,然后将重构的数据...     

短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

基于周期性截断灰色系统的电力负荷预测

电力负荷预测是电力系统调度和电力生产计划制定的重要依据;电力负荷时间序列有着明显的周期性特征;传统的电力负荷预测主要侧重于预测方法的研究,而忽略了电力负荷数据周期性特性的分析,影响了预测的准确性;针对电力负荷时间序列的周期性特征,提出了一种基于周期性截断的灰色系统模型来进行电力负荷预测;该模型利用周期性截断来反映负荷数据的周期性特征,提高了预测的精度;仿真采用EUNITE Network的公开负荷数据进行算法性能的测试,并与一些主流的电力负荷预测算法:BP神经网络、极限学习机、自回归模型以及传统的灰色系统模型做比较;仿真结果表明,周期性截断的灰色系统负荷预测的归一化均方误差和绝对平均误差是最小的;周期性截断的灰色系统为电力系统负荷预测提供了一种新的有效方法。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

分布式SVR在短期负荷预测中的研究

准确的负荷预测,可以合理安排机组启停,降低发电成本,特别是短期负荷预测对电力系统控制、运行和规划都有重要意义。传统的预测方法不能及时准确地反映需求响应,在Hadoop环境下利用分布式支持向量回归机(Support Vector Regression,SVR)实现负荷预测,同时使用基于均匀设计的自调用SVR(UD-SVR)方法进行参数寻优,进一步提高本文实现的分布式SVR算法精度。通过真实的电力负荷数据集验证该算法,实验数据来自我国西部某地级市连续424天的真实用电量数据。结果表明,本文改进后的算法用于短期电力负荷预测是可行的,不仅预测准确度又在原有基础上明显提高,并且随着数据量的增加,计算速度也大幅提高,减小了负荷预测时间。     

考虑广义需求侧资源的深度置信网络短期负荷预测方法

随着智能电网信息化水平的不断提高以及可控负荷、分布式电源和储能等广义需求侧资源的大量接入,将产生海量负荷数据集并改变负荷特性.为了提高负荷预测精度,提出了一种考虑广义需求侧资源的深度置信网络(DBN)负荷预测方法.首先,借助负荷聚合商确定了广义需求侧资源参与电力市场的机制,构建了基于合同的广义需求侧资源调度模型,并利用该模型求解广义需求侧资源参与电力市场的最优调度计划.其次,引入DBN结构,并将广义需求侧资源的最优调度计划作为其输入量,建立了短期负荷预测模型.最后,以实际数据进行仿真测试,结果表明,本文所提方法具有更高的预测精度.     

A novel method of short-term load forecasting based on multiwavelet transform and multiple neural networks

This paper aims to develop a load forecasting method for short-term load forecasting based on multiwavelet transform and multiple neural networks. Firstly, a variable weight combination load forecasting model for power load is proposed and discussed. Secondly, the training data are extracted from power load data through multiwavelet transform. Lastly, the obtained data are trained through a variable weight combination model. BP network, RBF network and wavelet neural network are adopted as the training network, and the trained data from three neural networks are input to a three-layer feedforward neural network for the load forecasting. Simulation results show that accuracy of the combination load forecasting model proposed in the paper is higher than any one single network model and the combination forecast model of three neural networks without preprocessing method of multiwavelet transform.     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。     

灰色变异粒子群算法在电力负荷预测中的应用

由于电力负荷量是电力系统发展的基础,因此提高电力负荷量预测的准确性有利于电力系统的快速发展. 本文利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出了灰色变异粒子群组合预测模型来预测电力负荷量,提高了电力负荷预测的精度,并通过实例对组合预测模型的预测精度和有效性进行了分析. 结果表明,此组合预测模型的精度优于单一的灰色预测模型,且优于其他几种预测算法,该组合模型能很好地预测电力负荷量,为电力系统的决策和发展提供了可靠的科学数据.