基于扩展记忆粒子群-支持向量回归的短期电力负荷预测

为了快速准确高效地预测短期电力负荷,提出了一种带扩展记忆的粒子群优化技术（PSOEM）和支持向量回归（SVR）相结合,以历史负荷数据、气象因素等作为输入的基于PSOEM-SVR的短期电力负荷预测方法。PSOEM比传统PSO收敛速度更快精度更高具有更强的寻优能力,用它来优化组合核函数SVR参数,减少了SVR参数设置的盲目低效性,获得较优的PSOEM-SVR预测模型。该模型的实例仿真预测结果表明该方法比BP神经网络具有更好的准确性和稳定性,平均绝对误差控制在1%以内。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法（MG-CACO）对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。     

正则双胞参数间隔支持向量回归机

双胞参数间隔支持向量机在模式识别上拥有优秀的分类能力.然而,原始的TPMSVM模型仅针对二分类问题,并不能处理回归学习任务。为此,文章提出了一种新的正则双胞参数间隔支持向量回归机模型(RTPMSVR)。RTPMSVR模型的最终回归输出函数是间接通过寻找一对最优的非平行上界和下界参数间隔函数来构建的.通过继承TPMSVM模型的损失函数,RTPMSVR模型分别为上界和下界的参数间隔函数构建二次规划优化模型。此外,为提高模型的泛化能力,引入额外的正则项,进而保障模型解的唯一性.根据对偶理论,构建模型求解的最优KKT条件,并将RTPMSVR模型的原问题转换为对偶问题来求解。最后,通过对比实验,验证了该方法的有效性。     

基于免疫加权支持向量机方法的短期负荷预测

在对支持向量机（SVM）方法进行分析的基础上，提出了一种免疫加权支持向量机（IWSVM）方法来预测电力系统短期负荷。其中根据各样本重要性的不同，引入了加权支持向量机方法，然后利用免疫规划算法对其进行参数优化。免疫规划算法利用浓度和个体多样性保持机制进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多样性。电力系统短期负荷预测的实际算例表明，与支持向量机方法相比，所提免疫加权支持向量机方法具有更高的预测精度。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

基于粗糙集和支持向量机的电力系统短期负荷预测

针对电力系统短期负荷预测中,高维大样本环境下支持向量机算法面临的耗时增大与维数灾问题,将序列最小优化算法(SMO)和粗糙集(RS)理论相结合,提出了一种新的算法——RS-SMO算法。该算法主要是用粗糙集理论进行负荷预测属性的约简,然后用其生成的边界集作为SMO的训练子集,从而使训练集的维数和规模有所减少。采用河北省某市的实际负荷数据进行算例分析,并对RS-SMO和SMO算法的预测结果进行了比较。结果表明,提出的RS-SMO算法有较高的预测精度。     

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。     

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 Vector Machine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Particle Swarm Optimization)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Matlab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.     

基于人群搜索算法优化参数的支持向量机短期电力负荷预测

支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。     

基于免疫支持向量机方法的电力系统短期负荷预测

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,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

支持向量机在短期负荷预测中的应用概况

全面总结了支持向量机(SVM)在短期负荷预测中的应用概况,并从SVM的原理出发,对比人工神经网络方法,从本质上阐述了SVM方法在短期负荷预测中应用的优越性.同时针对SVM在应用中存在的问题,包括数据预处理、核函数构造及选取和参数优化的方法,做出分析,并归纳了现行的解决方法.从SVM算法用于负荷预测的机理及提高预测精度和...     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

分区支持向量回归及其在负荷预测中的应用

为解决局地短期电力负荷预测问题,给出了一种基于自适应聚类分区和支持向量机回归的多模型变结构负荷预测新方法.首先根据局地电力负荷的特点,使用模糊C均值聚类方法给出预测时间点的自适应分区;然后利用支持向量回归方法对不同分区分别构建预测子模型;最后提出一种基于仿真分析的模型评估和参数优化方法,在测试评估的基础上优化确定各子模型的参数,并适当调整各分区的结构.实验表明该预测方法比常用的神经网络预测方法具有更高的准确率和更强的鲁棒性.     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。     

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

神经网络和支持向量机在短期负荷预测中的应用

本文在分析了支持向量机基本原理的基础上,对支持向量机采用回归算法,建立了相应的预测模型,和改进的BP神经网络进行比较,并做了实例分析比较,证明了基于支持向量机回归算法预测模型的优越性。     

基于核主成分分析和CSM-PSCO优化LSSVR的短期负荷预测

分析了一种基于核主成分分析(kernel principle component analysis,KPCA)和混沌单纯形混合粒子群协同(chaos and simplex method-particle swarm coordinate optimization,CSM-PSCO)算法优化最小二乘支持向量回归机(least square support vector regression,LSSVR)的短期负荷预测模型。首先,采用KPCA对训练样本的输入个数进行降维优选,以较少输入代替原始大量输入,同时信息大部分得以保留;然后,采用LSSVR对训练样本进行回归训练,训练过程中采用CSM-PSCO对LSSVR的相关参数进行优化,得到满足要求的模型;最后,采用训练好的模型对未知负荷进行预测。算例表明该模型的预测精度和速度均能满足实际的预测需求。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。