一种改进支持向量机的电力负荷预测方法研究

我国电力负荷的快速增加和电网运行环境日趋复杂,对电力负荷预测的准确性和可靠性提出了更高的要求。为了解决电力预测准确率低的问题,提出一种改进支持向量机的电力负荷预测方法。该方法综合考虑了影响电力负荷预测效果的气象因素,采用多元线性回归模型拟合了电力负荷与最高温度、最低温度、平均温度以及相对湿度的关系,找出电力负荷数据的异常点,再使用秃鹰搜索算法优化支持向量机中参数。该方法提高了预测的效果,给电力负荷预测提供了借鉴思路。     

电力负荷预测的灰色随机组合模型

年电力负荷具有稳定增长的趋势成分和随机成分．由灰色模型描述趋势成分，由自回归模型刻化随机成分，两者叠加，即灰色随机组合模型，可反映年电力负荷的变化特性．实例验证表明，该途径是可行而有效的．     

县级电力负荷预测模型

采用灰色系统理论建模的方法，并以罗平县为例建立了县级负荷发展预测模型，提出了大比重负荷投入时，预测模型的修正方法，为企业近期和中期规划提供依据。     

多元线性网络法在区域电力负荷预测中的应用

区域电力负荷具有特殊的变化规律，但表现出一定的周期波动性。对区域电力负荷变化影响因素分析后，分别利用多元线性回归和人工神经网络模型对电力负荷变化进行了电力消耗预测。对二者预测结果还进行了误差分析，并提出了高、中、低3个水平的电力负荷消耗。结果表明：预测结果与当地电力负荷消耗增长规律相符，且人工神经网络预测结果较多元线性回归模型稍好。预测的结果数据可以作为当地决策部门的资料参考。     

短期负荷综合预测模型的探讨

中国实用的短期负荷预测系统普遍采用的是综合预测模型机制。文中深入研究了该机制的实现和应用原理，针对其权重不等式约束、求解方案实用化方面进行了深入探讨，提出了“最优拟合模型”不等于“最优预测模型”的观点。对该观点进行了详细的论证。在此基础上，提出了“较优预测模型”的实现策略，并以实例证实该模型提高了负荷预测的准确率和误差稳定性。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

灰色系统电力负荷预测模型在北疆电网的应用研究

电力系统负荷预测的准确度和精度会对电力系统安全、稳定、经济、可靠性产生巨大影响.本文在对灰色系统理论的基础上,建立灰色系统电力负荷预测模型,并对模型应用到新疆北疆电网,对2020年电力负荷进行预测,其预测结果精度较为满意.灰色系统电力负荷预测是较为可靠的预测方法.     

基于解释结构模型的城市电力负荷预测

影响城市电力负荷的不确定风险因素很多,各种风险因素之间相互影响,形成一个复杂的系统。研究风险系统的结构和相互关系,以及这些风险因素对城市电力负荷的影响,对于城市电网规划非常有意义。文中以影响城市电力负荷的风险因素为研究对象,运用解释结构模型（ISM）对影响城市电力负荷的风险因素进行了分析,并构建了该风险系统的阶层结构图及风险传递链。在此基础上,建立了基于ISM风险分析的城市电力负荷预测模型。通过北京市2001年—2008年全社会用电量算例检验,所提出的方法可以有效提高城市电力负荷预测水平,为城市电力负荷预测风险管理提供决策基础。     

电力负荷预测方法研究

电力负荷预测的开展始于上世纪八十年代初。最早的电力负荷预测工作完全依靠预测人员的运行经验,没有科学的理论做指导,预测误差往往较大。随着电力行业的不断发展,电力系统日趋复杂,单纯地依靠人工预测己经远远不能满足预测的要求。因此,要求电力负荷预测更科学、更准确,极大地促发了电力负荷预测理论研究的开展。     

基于改进相关向量机算法的短期电力负荷预测方法研究

由于短期电力负荷存在随机性强、影响因素多、预测精度低等问题,在充分考虑气温、日期、节假日等影响因素的基础上,深入研究预测模型,对单一预测模型进行了改进,提出一种将相关向量机与深度置信网络相结合的短期负荷预测方法.通过相关向量机对电力负荷周期变化的通用模型进行建立,在通过深度置信网络建立其误差补偿模型,使用误差补偿模型补...     

灰色模型在短期电力负荷预测中的应用

电力负荷预测是电力控制及运行方面的最重要的一项任务，根据不同的预测对象，常用的方法有概率统计法、时间序列分析及灰色系统等等。文章讨论了灰色模型GM(1，1)及其改进模型在短期电力负荷预测中的应用。采用ARIMA(p,d,q)模型与GM(1，1)改进模型对特殊日电力负荷进行组合预测，提出了适合电网特殊日电力负荷预测的数据处理方法。提高了预测的精度。准确度到了95%以上，解决了每日24点正点采样情况下预测精度较低的问题。     

BP神经网络算法在年电力负荷预测中的应用

本文主要研究电力负荷预测方法，依照神经网络系统理论，建立神经网络模型，并通过实例计算，介绍了BP神经网络算法在年电力负荷预测中的应用。     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题，文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性，保证预测模型输入参数的合理性，解决了神经网络模型输入参数的确定问题。针对基于区分矩阵约简算法是NP问题的弱点，提出了基于属性优先级函数的启发式约简算法（RAPHF）；针对负荷预测过程中样本数据是滚动更新的特点，在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I。通过短期负荷预测的实例研究，证实了文中改进算法的有效性。     

10 kV中压配电网应用电力空间负荷密度特性研究

针对传统方法在研究水电配电网电力空间负荷密度的特性时存在电力负荷密度预测精度较低、用电高峰期出现供电紧张、运行稳定性较弱、安全性较低等问题,提出一种基于DLBAN模型的电力空间负荷密度预测方法。利用跨小波空间算法对水电配电网电力扰动信号进行去噪,获取电力空间滤波信号,根据DLBAN构建电力空间负荷预测模型,对待测区块指定最合适的类标签进行修正。利用DLBAN预测模型完成配电网电力空间负荷密度预测,得到其属性呈正相关性,从而实现对水电配电网电力空间负荷密度特性研究。结果表明,在水电配电网的应用中,城市第二产业的负荷密度的稳定性较强;不同用户的休息时间与负荷密度具有较强的关联性;第三产业的用电时间具有周期性,且负荷密度较大,对整个水电配电网区域负荷密度的贡献度较大,且具有较高的预测精度。     

基于SVM-ARIMA的大坝变形预测模型

大坝变形的实测值序列是一个非线性、非平稳的时间序列,支持向量机引入核函数后能有效解决非线性问题,因此可用支持向量机对大坝变形进行预测。为了提高预测精度,进一步对残差序列进行分析,通过ARIMA模型对残差序列进行预测,建立了SVM-ARIMA组合模型。将大坝变形时间序列分为趋势项和误差项,分别用SVM和ARIMA模型进行预测,综合两项结果得到模型的预测值。结合实测资料对模型进行检验,结果表明组合模型精度较高。     

基于输入空间压缩的短期负荷预测

由于影响负荷预测的因素复杂，并且实际获取的历史数据有限，传统的智能预测方法往往达不到工程应用的精度要求。为解决该问题，文中提出一种准确预测电力系统短期负荷的新思路：首先建立负荷输入特征选择模型，其搜索方法采用浮动搜索算法，在去除影响负荷预测的冗余特征之后，利用有限样本学习的统计学习理论（支持向量机）构造负荷预测回归模型，充分发挥其在解决有限样本、非线性中体现出的优势，较好地提高了评估结果的精度和泛化能力。在EUNITE网络中的应用结果证明了该方法对电力系统负荷预测的有效性。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析，提出将负荷数据分层分区的处理方法，建立它们之间相互牵制和联系的表达，在由递推最小二乘支持向量机（RLS-SVM）算法实现顶层预测的基础上，建立输电系统多节点负荷动态行为特征的描述模型，构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。     

几种需水量预测模型的比较研究

针对需水量预测具有受诸多因素影响的复杂非线性输入输出特性,提出了需水量预测的LS-SVM模型,以k-fold交叉验证法确定LS-SVM模型参数。将该模型应用于河北省南水北调受水区需水量预测中,并与BP神经网络模型以及多元回归模型的拟合、预测结果进行了对比分析。比较结果表明,LS-SVM的拟合精度虽然低于BP神经网络模型,但预测精度高于其他两种模型,因此,在训练样本较少的情况下,LS-SVM模型仍有较高的预测精度和较强的泛化能力,且在需水量预测方面具有很好的应用前景。