热电厂热负荷预测的神经网络模型

提供了一种基于改进的ＢＰ网络－合成ＰＢ网络的热电厂热负荷预测模型,并对网络结构的构造方法及拟合精度进行了讨论,实际预测结果表明,基于合成了ＢＰ网络的预测模型能很好地实现对热电厂热负荷的预测。     

基于云计算的电力系统扩展短期负荷预测

在电力市场环境下,制定和调整当日负荷计划的周期缩短,尤其是滚动发电计划的提出,使现有负荷预测方法无法满足电力部门对预测精度和速度的要求,因此有人提出了扩展短期负荷预测的概念来解决这一问题,但该方法导致学习机的维数灾难问题难以避免。利用云计算技术对该方法进行改进,在避免了维数灾难的同时提高了预测精度与速度,并用East-Slovakia Power Distribution Company提供的电网运行数据验证了该方法的有效性。     

基于AR-SVR模型的有效波高短期预测

为快速、准确地预测波浪的有效波高,该文提出了一种基于平均交互信息(AMI)特征选择的自回归(AR)模型与支持向量回归(SVR)混合的短期有效波高预测算法.AR-SVR模型结合了有效波高序列本身的统计特性,同时考虑到驱动风场的影响.该文比较了AR-SVR模型与AR、SVR模型的预测性能,预测结果表明,AR-SVR混合模型...     

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法.该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测.样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性.     

基于炉膛火焰图像的燃煤机组负荷预测

为了准确地进行燃煤机组负荷预测,引入支持向量机（SVM）方法建立了锅炉炉膛多层火焰图像与机组负荷之间的复杂关系模型.将该方法应用于某660 MW燃煤锅炉机组中,用训练后的SVM模型进行负荷预测,并与BP神经网络模型预测结果进行比较.结果表明：采用SVM方法预测机组负荷,模型能够辨识出火焰辐射图像与机组负荷之间的复杂关系,实现对负荷的准确预测;SVM模型预测精度比BP网络模型高,SVM模型具有预测精度高、泛化能力强等优点,且模型训练时间较短.     

基于SVAR的汽轮机转子振动时间序列预测

为了监测汽轮机转子在运行中的振动状态,提高转子运行的安全性,将统计学习理论中的核心算法--支持向量机与自回归方法相结合,建立了转子振动振幅时间序列预测模型(SVAR).并通过实例,与基于灰色理论建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较.结果表明:基于支持向量自回归的转子振动预测模型具有精度高、泛化能力好的特点.应用该方法建立的预测模型能够很好地对转子振动振幅进行中短期预测,为有效避免转子运行中由振动引起的故障提供保证.     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

基于支持向量机的某地区电网短期电力负荷预测

摘要： 负荷预测是电力系统安全经济运行的前提。随着电力系统的市场化和能源互联网的研究与发展,高质量的负荷预测显得愈发重要。分析了影响负荷预测的因素,对数据进行收集及挖掘,采用了基于支持向量机负荷预测算法对区域负荷进行短期预测,并进一步开展了针对城区的精细化负荷预测研究。结合某地区案例,对该算法进行验证,结果表明,该算法预测结果优越,相对误差率较小。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

LS-SVM在电力系统负荷预测中的应用

针对支持向量机(SVM)法预测电力负荷存在空间划分参数率定人为因素影响的缺陷,采用谱分析法进行周期分析,比较了二次函数趋势的年负荷序列与周期性月负荷序列,并采用最小二乘支持向量机(LS-SVMlabl.5)法预测负荷.实例结果表明,周期性的月负荷序列实测值与预测值拟合度较好,预测精度高、简捷、合理、实用.     

基于模型预测的多模式供热电厂机组间负荷优化分配调度研究

为解决热电厂机组间负荷分配不合理的问题,提出一种基于模型预测的多模式供热电厂多机组间负荷实时优化分配方法。基于模块化建模原理构建热电厂全厂范围的机理仿真模型,并运用运行数据对模型辨识校准,根据机组特性和电网调峰补贴政策,建立全厂的运行经济性收益评估模型,进而设计基于粒子群算法的负荷实时优化方法,借助性能预测模型预测评估各方案的经济性。以某包含高背压、切缸、抽汽、光轴4种供热模式机组的电厂为例,对不同电、热负荷组合工况下的厂内负荷进行优化分配研究。应用结果表明：该方法可根据热、电负荷的实时指令在线获得经济性优化的厂内机组间负荷分配方案。     

基于混沌理论及PSO-LS-SVM的新能源出力短期预测方法

为减少新能源出力的不确定性对并网系统安全稳定的影响,提高新能源出力预测的精准度成为新能源系统所需解决的首要问题。以光伏系统为例,基于光伏出力时间序列的混沌特性,提出了一种基于混沌理论及最小二乘支持向量机的光伏出力短期预测模型。通过与实际数据和改进前模型进行对比,证明了该模型在光伏出力短期预测中的有效性。     

电网无功负荷预测方法研究

由于电网数据采集与监视控制系统(SCADA)中无功负荷历史数据有限以及其数据波动量较小的特点,采用传统单一预测方法不能满足精度的要求,考虑到时间序列与支持向量机对无功负荷预测的综合优势,建立了时间序列与支持向量机两种方法组合的模型。通过对某电力市场的实测值与预测值进行比较,验证了该方法的预测精度较高。     

热负荷的预测分析

应用Matlab神经网络工具箱函数,建立了可用于热网供暖短期预测的前向反馈BP网络模型,并根据乌鲁木齐市华源热力公司的实际供热网络数据,对所建立的网络进行了训练和检验.结果表明:该模型具有较好的预测特性,为热网监控与调节提供了依据,从而可实现按需供热,节约能源.     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。     

DGA SVR日径流非线性预报模型及应用

实时而准确的日径流量预报在防洪减灾、优化调度等方面起到了巨大作用。将遗传算法(GA)与支持向量回归(SVR)改进模型耦合,同时对SVR三个重要参数(C,σ,ε)进行动态寻优,构建了动态三参数优化GA-SVR日径流非线性预报模型(DGA-SVR)用于黑水河流域日径流预报,通过与BP神经网络和多元线性回归预测结果进行对比分析,DGA-SVR模型预测精度明显优于BP神经网络和多元回归模型。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。