优化SVR的加权马尔可夫链用电量预测

研究电力系统中用电量的准确预测问题.由于影响用电量的因素众多,并且用电量数据与相关因素之间呈现高度的非线性关系,传统的预测方法很难捕捉用电量的变化趋势,预测精度较低.为了提高预测的精度,提出了一种马尔可夫链优化的SVR模型.上述模型根据支持向量回归机原理,以网络搜索交叉验证的思想优化模型参数,通过加权马尔可夫链原理优化预测结果,将原来的数值预测转化为概率区间上的预测.同时,在利用加权马尔可夫链的预测信息之后,也提高了预测的精度.最后,将改进模型应用于江苏省全社会用电量的预测分析,实验结果表明优化的支持向量模型优于其它对比模型,有较高的泛化能力和预测精度.     

基于组合优化理论的用电量预测模型

为了提高用电量的预测精度, 提出了一种基于组合优化理论的用电量预测模型(AFSA-LSSVM). 首先相空间重构用电量学习样本, 然后将学习样本输入到最小二乘支持向量机进行训练, 并采用人工鱼群算法优化LSSVM参数, 建立最优的用电量预测模型, 最后采用仿真实验对模型性能进行测试. 结果表明, 相对于对比模型, AFSA-LSSVM可以准确刻画用电量的变化趋势, 提高用电量的预测精度, 预测结果更加可靠, 可以为决策者提供有价值决策信息.     

电力电量预测的神经网络方法

本文依次将前六个月用电量作为输入值,第七个月用电量作为输出值,建立BP神经网络结构,根据历史数据对神经网络进行训练,并通过预测试验,对预测网络进行检验,结果表明利用神经网络方法对全国用电量进行预测是可行的.     

基于遗传BP神经网络的工业经济运行指标预测

提出了一种基于遗传算法优化的BP神经网络工业经济运行指标的预测方法,用遗传算法来优化BP神经网络各连接层的权值和阈值,用训练好的BP神经网络模型来预测工业经济运行指标以求得最优解。以工业经济运行指标工业总产值为例,将该遗传BP神经网络模型应用到工业总产值和工业用电量的预测中,并与BP神经网络预测模型进行了对比。由结果可知,该模型对工业经济运行指标趋势的判断和预测更加准确,可为宏观决策提供可靠的依据,促进工业经济能够健康可持续发展。     

基于BP神经网络的农村用电量预测的研究

农村用电量预测是县级供电部门的重要工作之一，其受国民生产总值和上年度用电量的影响，具有一定的随机性。利用BP神经网络建立了农村用电量预测模型。通过应用实例分析表明，预测结果和实际结果有很好的一致性。     

基于复合分析算法的智能电表数据应用

随着智能电表使用的普及化，其带来的海量数据得到了广泛关注。对这些数据的分析可获得众多有价值的信息。用户用电量预测是泛在电力物联网建设的核心内容。利用智能电表海量数据实现用户用电量的精准预测，是智能电表数据的重要应用方向之一。提出了基于模糊聚类、子群发现和长短期记忆(LSTM)神经网络相结合的复合算法，利用海量智能电表数据实现了用户用电量精准预测。首先，通过模糊聚类将区域内用户按用电量进行合理分类。然后，采用Apriori子群发现算法深度挖掘各子类中影响用电量的关联性因素，将各子类的相似日关联性因素和历史用电量作为LSTM的训练数据完成神经网络的训练。最后，实现了目标日的用电量精准预测。算例分析表明，该算法有效、可行。与其他预测方法相比，该算法剔除了非关联因素的影响，预测精度明显提高，实现了智能电表海量数据的高效利用。     

基于关联度的居民用电量负荷协调预测及分析

为了提高对居民用电量负荷的预测能力,构建了一种以信息再修正的方法来实现对负荷协调预测的模型。该模型先评价预测年中的已知数据,以这些数据协调预测年的各级负荷预测结果,再以协调处理之前与之后的负荷差作为关联度计算的初始参考数列,计算得到新的可信度,最后利用协调模型计算出协调结果。以2013年～2017年间某市的用电量为例,预测可信度均在50%以上,具有很好的稳定性。相较现有方法,本文方法对不同层级用电量的预测具有更高的精度,表明本文方法使数据得到了更充分的利用,由此提升了预测精度。本研究有助于提高居民用电量负荷预测精度,对用电量的分配具有实际指导价值。     

基于ABC—BP神经网络的用电量预测研究

针对区域用电量的时效性、复杂性和非线性等特点,提出基于人工蜂群算法(ABC)优化BP神经网络(ABC-BP)的区域用电量预测分析模型;以BP神经网络为基础,将往年区域用电量作为用电置的预测样本,采用基于ABC算法对BP神经网络的各个权值和阈值参数进行优化,最后建立模型应用于区域用电量预测系统,为分析区域内经济发展水平、经济走势、产业分布状况及政策实施效果等问题提供有力支持;介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值;通过实验仿真对比,提出的算法预测结果比仅仅使用BP神经网络算法以及粒子群优化BP神经网络算法更高,是一种有效可靠的区域用电量预测方法。     

年用电量预测的PLS-LSSVM模型

偏最小二乘法通过提取主成分能有效地消除变量间的多重共线性,最小二乘支持向量机能很好地逼近变量间的非线性关系。偏最小二乘与最小二乘支持向量机相结合用于年用电量的预测,充分发挥了两者的优点。对四川省1978～2007年的用电量进行了实证分析,与PLS模型和LSSV模型的预测成果进行了对比,结果表明年用电量预测的PLS-LSSVM模型有较高的精度。     

基于自适应神经网络模糊推理的负荷预测

针对中长期负荷预测,本文将模糊理论与神经网络相结合,提出了基于高木-关野自适应神经网络模糊推理系统的中长期负荷预测模型.该模型采取神经网络技术对模糊信息进行处理.使得模糊推理系统的模糊规则和模糊隶属度函数能通过学习功能自动生成,从而有效地解决了模糊理论中必须根据专家经验人为制定规则和隶属度函数的瓶颈及采用神经网络所获得的输入/输出关系不易被人接受的问题;并以湖南省安乡县经济发展指标和全社会用电量为基础数据,通过高木--关野自适应神经网络模糊推理系统对安乡县预测年份全社会用电量水平的进行预测分析.算例表明,该推理系统计算快捷.准确性高,在电网规划中长期负荷预测中有较强的实用价值.     

基于BP神经网络的地铁节假日能耗预测

针对常规预测中的节假日预测精度低的缺点,提出了一种基于BP神经网络的地铁能耗预测模型,实现了正常日和节假日的分别预测.以某市地铁能耗统计数据作为样本,对模型进行了仿真预测.结果表明,利用本文预测模型,确实提高了地铁的节假日能耗预测精度.     

值预测技术中基本值预测模型的功耗分析

值预测是通过推断执行来提高ILP的有效技术之一，但实现其预测模型的硬件成本和功耗却是制约它的两个主要因素。本文从实现值预测的底层电路入手，着重探究了启用值预测时功耗的主要来源，并从性能与功耗比率的角度对目前值预测中采用的几种预测模型进行了比较和评估。     

静态程序切片的GPU通用计算功耗预测模型

随着图形处理器通用计算的发展,GPU(graphics processing unit)通用计算程序功耗的度量与优化成为绿色计算领域中的一个基础问题。当前,GPU 计算能耗评测主要通过硬件来实现,而开发人员无法在编译之前了解应用程序能耗,难以实现能耗约束下的代码优化与重构。为了解决开发人员评估应用程序能耗的问题,提出了针对应用程序源代码的静态功耗预测模型,根据分支结构的疏密程度以及静态程序切片技术,分别建立分支稀疏和稠密两类应用程序的功耗预测模型。程序切片是介于指令与函数之间的度量粒度,在分析GPU应用程序时具有较强的理论支持和可行性。用非线性回归和小波神经网络建立两种切片功耗模型。针对特定 GPU 非线性回归模型的准确性较好。小波神经网络预测模型适合各种体系的 GPU,具有较好的通用性。对应用程序分支结构进行分析后,为分支稀疏程序提供加权功率统计模型,以保证功耗评估算法的效率。分支稠密程序则采用基于执行路径概率的功耗预测法,以提高预测模型的准确性。实验结果表明,两种预测模型及算法能够有效评估 GPU 通用计算程序的功耗,模型预测值与实际测量值的相对误差低于6%。     

一种基于MBRC值的关系型数据库负载能耗预测模型

数据库负载的能耗解析与建模是构建节能的绿色数据库的基础。针对数据库负载的高能耗问题,将SQL语句消耗的系统资源(CPU和磁盘)映射为时间代价与功率代价,为数据库负载构建能耗预测模型。首先,根据负载的系统资源消耗模式,计算负载的功耗代价;然后,根据负载资源消耗产生的时间代价,为负载构建动态能耗预测模型;最后,利用MBRC值的设置对预测模型的准确度进行深入的研究。实验结果表明,所构建的预测模型能够对数据库负载的能量消耗进行较准确的预测,预测模型的准确度研究有助于在不同的系统环境配置下提升动态能耗预测模型的稳定性与精确度。     

基于Bi-LSTM的家庭用电量预测

电网智能化升级改造将传统电网与先进的信息、智能技术相融合,实现电力行业的根本性变革。智能电表是智能电网系统中收集用户用电信息的代表性边缘设备,当前智能电表收集的用电量数据存在维度低、波动性强等特征,造成对未来用电情况难以预测的问题;同时对于未来边缘设备端用电量的预测,其他相关特征信息的不可得,此时研究基于单变量特征的用电量预测至关重要。为此,提出一种基于双向长短期循环记忆循环神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)的单变量家庭用电量预测模型,Bi-LSTM模型能够充分利用上下文的信息实现更准确的预测效果。通过西班牙某市真实的智能电表数据对提出的模型进行了验证,实验结果表明,该模型的预测性能相比传统LSTM、SVM方法有进一步的提高。     

基于LSTM的智能家庭用电预测模型研究

家庭用电是能源市场的一个重要组成部分,预测家庭用电需求能够实现智能供电,可以有效地提高供给率,但目前预测方法大多效果不佳.针对此,提出了一种基于LSTM的面向家庭智能用电预测算法,建立了端到端的智能家庭用电预测模型.其在Boruta特征筛选的基础上设计了特征选择方法,对多个特征进行重要性计算,选取其中重要性高的部分进行...     

基于支持向量机的海量电力数据智能分类方法

针对电力公司海量数据分类问题,提出一种改进的k-means数据分类方法.在k-means算法的基础上,应用PCA对k-means算法进行降维处理,用canopy算法优化最佳簇集数、初始聚类中心.然后,应用改进的k-means算法对居民用户用电进行聚类;最后以该聚类结果为基础,建立LSTM预测模型.通过LSTM预测模型对...     

Prediction of domestic power peak demand and consumption using supervised machine learning with smart meter dataset

Multimedia Tools and Applications - The prediction of electricity consumption is a vital foundation for smart energy management. Since the consumption of power varies with different appliances,...     

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。     

一种面向主干网的器件级动态功率感知节能机制

随着互联网流量逐年递增,网络功耗正以惊人的速度攀升,由此激增的碳足迹导致的温室效应等环境问题也引起了全球范围内的持续关注,尤其是在流量汇聚之后的主干网,这些问题更为突出.传统互联网资源的过供给原则进一步加剧了这种严峻的状况.鉴于此,面向主干网提出了一种器件级动态功率感知节能机制.该机制首先对节点入流量大小进行动态短期预测,进而采用细粒度的端口数转换算法确定需要调整的端口数目,之后依据休眠唤醒规则和速率调节规则控制相应的端口进行功率状态的转换,最后采用层次调度算法进行分组的调度.在实现方面,基于3个典型主干网中的真实流量分布轨迹,确定了预测参数,测试了功效随负载变化的比例性,探索了采用不同的预测时隙序列以及不同的流量负载计数器数目对负载预测准确度的影响,分析了可能出现的流量负载预测过估计误差和低估计误差对功耗和性能产生的影响,讨论了在不同应用场景下功效与实际性能之间的权衡.结果表明:提出的器件级功控机制能够动态、细粒度和比例性地控制各网元功耗,具有显著的节能收益.