基于交叉验证支持向量回归的供热负荷预测

支持向量回归机(Support Vector Regression,SVR)在供热负荷预测中得到了一些研究,然而模型的拟合度和泛化能力依赖于其相关参数的选取,需要足够的先验信息,寻优过程存在难度.针对上述情况,提出采用交叉验证(Cross Validation,CV)的思想对其中的重要参数(惩罚因子C和RBF核函数参数γ)进行网格划分,在训练集中自动寻找最佳参数,从而得到最佳的训练模型,并用该模型对测试集进行回归预测.以某热源数据进行了实验研究,结果表明:该方法能够快速建立预测模型,有效地预测供热负荷,具有较高的拟合度和较强的泛化能力.     

农村电网规划中负荷总量预测的研究

根据农网负荷的特点,构造了中期负荷预测的流程图,考虑采用确定性预测方法中的多元线性回归模型(或逐步回归模型)和不确定性预测方法中的灰色模型来进行预测,然后进行综合分析,得到负荷序列的最终预测结果.     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机（AWLS-SVM）理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

我国人口总量的非参数预测模型

基于正交序列的非参数估计理论,建立了我国人口总量的非参数回归预测模型.并应用此模型对我国1952—2003年的人口总量和GDP总量进行了预测分析.结果表明:非参数回归模型优于线性回归模型,同时正交序列估计效果也优于k-近邻估计.     

给水管网的半理论增广混合回归模型

以给水管网的调度优化为应用背景,分析了配水系统的水力学特点,建立了管网的供水泵站与管网中节点水压之间关系的半理论回归模型,并指出水源泵站水头对节点水压的影响系数之和接近于1.在此基础上,建立了考虑管网周期相关特性的半理论回归模型和半理论的增广混合回归模型.利用实际管网的实测数据进行了模型参数识别.分析了不同模型的模拟效果,结果表明所有模型所揭示的规律基本上符合理论分析,半理论的增广混合回归模型是一种能比较充分地反映水源与节点之间水头呈线性关系的模型.     

不同方法构建建筑能耗模型比较

为了能够准确预测建筑能耗,以人工神经网络中的前馈神经网络和物理原理建立的建筑模型作为能耗方案进行预测分析,并建立了从外部和内部获得热量的系统方程.以办公楼为例,对比两模型对能耗预测结果的准确性,并且输入实际参数值,将计算结果与实际值进行对比分析.采用EnergyPlus进行了参数分析,以评估不同参数对预测结果的影响.结果表明,两种模型均适用于能耗预测,内部负荷对能耗预测的影响更为显著.     

基于PSO-动态修正算法的静态负荷模型辨识

采用具有全局寻优能力的微粒群优化（PSO）算法辨识负荷模型的参数;同时考虑负荷电压的变化,用动态修正法实时修正负荷模型的参数,建模仿真分析结果验证了PSO-动态修正算法的有效性和准确性.相对于线性回归分析的动态修正法,该算法能够提高负荷模型的辨识精度,所建模型更适合描述全电压范围下负荷的静态特性.     

基于T-S模糊神经网络组合模型的CPI预测

首先对我国CPI和PPI序列建立了VAR模型和加外生变量的半参数自回归模型,得到CPI的拟合值和预测值;然后在这两种单模型的基础上,结合模糊数学和神经网络知识,建立了T-S模糊神经网络组合预测模型;最后对三种模型进行比较.结果显示,T-S模糊神经网络组合模型提高了预测结果的可靠性和准确性.