组合模型在中期电力负荷预测中的应用

为了对中期电力负荷进行合理预测,结合三次指数平滑法和GM(1,1)预测模型,建立了新的组合模型,并以预测偏差平方和最小为准则优化了各单一模型的权重.通过MATLAB编程并以某市全年用电量为例对3种方法的预测精度进行了仿真验证.结果表明,组合模型具有更高的预测精度和更低的预测误差,能避免各单一预测模型的局限性.因此,用组合模型对未来用电量进行预测的结果更可靠.     

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.     

基于RF-LSTM组合模型的股票价格预测

股票数据具有非线性和复杂性等特点,单一模型预测效果不佳,针对此问题,提出一种RF-LSTM组合模型,用于预测股票的收盘价。首先,利用Tushare财经数据包获取股票数据,构建特征集,并对数据进行归一化处理;其次,考虑到多特征之间存在高度的非线性和信息冗余问题,利用随机森林(RF)选择最优特征集,降低数据维度和训练复杂度;最后,利用深度学习中适合处理时间序列的长短期记忆网络(LSTM)对股票价格进行预测,并对预测模型进行参数调优。结果表明,与单一结构的LSTM神经网络模型预测相比,本文提出的RF-LSTM组合模型预测的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别减小了13.11%,6.70%和12.54%。该组合模型可提高股票价格预测的准确性。     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.     

基于指数平滑法的灰色预测模型

光伏发电具有不确定性,在接入电网时会给电力系统的运行带来一定的负面影响,而光伏发电功率预测技术则可以有效地缓解此类随机能源对电力系统的影响。针对光伏电站输出功率的随机波动性和间歇性问题,提出了一种基于指数平滑法的灰色预测模型。分别用改进前和改进后的灰色预测模型对光伏发电功率进行短期预测,并将预测结果进行对比分析,结果表明:改进后的灰色预测模型有更高的预测精度,其预测结果与实际光伏功率值更加接近。     

基于QES-SVM的雷达装备剩余寿命预测

针对雷达装备剩余寿命的单一模型预测精度不高的问题,使用二次指数平滑(QES)法和支持向量机(SVM)组合模型进行剩余寿命预测．首先以均方根作为指标参数,输入两种单一预测模型,分别得出各自剩余寿命计算结果;然后结合误差平方和最小法求出权重,计算组合模型预测结果,并与两种单一模型结果进行对比．仿真结果表明,QES-SVM组合模型预测精度与两种单一模型相比,误差更小,预测效果更佳,验证了该组合模型的有效性．     

基于动态熵权的短期风速组合预测

为了提高风电场风速预测的准确性,将不同预测方法的权重推广到权重序列,生成权重矩阵,同时采用新的预测误差更新权重矩阵,获得所需模型.建立三种单一预测模型,统计它们十天的预测误差,获得误差序列,在此基础上,提出动态熵权法.采用熵权法确定各单一预测模型在96个预测时刻的权值,并根据新的24小时预测误差更新误差序列和权重矩阵,从而获得动态组合预测模型.结果表明,动态组合预测模型的整体误差指标比单一预测模型较小,预测精度显然增高,证明了所建模型有效且实用.     

基于IGWO-SVM的超声辅助磨削Al2O3陶瓷表面粗糙度预测

为预测超声辅助加工Al2O3陶瓷表面粗糙度,进行了超声辅助磨削Al2O3陶瓷试验.用改进的灰狼优化算法(IGWO)对支持向量机(SVM)进行参数优化,建立IGWO-SVM预测模型,并与PSO-SVM预测模型、CS-SVM预测模型、GWO-SVM预测模型进行比较.结果表明:IGWO-SVM预测模型预测值与试验值最大绝对误差值为0.4119,最小绝对误差值为0.0024,平均绝对误差值为0.1456,平方相关系数为0.931092,均方误差为0.0003998,相比PSO-SVM预测模型、CS-SVM预测模型、GWO-SVM预测模型,该模型具有更高的预测精度和可靠度,能够对超声辅助磨削Al2O3陶瓷表面粗糙度进行更精准的预测.     

基于相似日和交叉熵理论的光伏发电功率组合预测

为进一步提高光伏发电功率预测精度,提出一种基于相似日和交叉熵理论的光伏发电短期功率组合预测方法.首先采用模糊C均值聚类方法对历史样本数据分类,并提出一种基于隶属度的指标来选取相似日.然后采用最小二乘支持向量机、时间序列法和BP神经网络法分别预测光伏发电功率,通过交叉熵算法动态设置各预测时刻下单一方法的权重值,建立光伏发电功率的组合预测模型.算例结果表明,所提方法能够动态识别单一预测方法包含的信息量,能确定更加合理的权重值,从而提高光伏发电功率的预测精度.     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.