多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

基于小波变换及最小二乘支持向量机的短期电力负荷预测

提出了采用小波变换和最小二乘支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列：然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测：最后对各分量预测信号进行重构得到最终预测结果。在构建支持向量机模型时考虑了气候因素的影响，并将其作为模型的一组输入点。实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法。运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测。实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性。     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法.运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测.实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性.     

基于时间序列的WD-LS-SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

基于时间序列的WD LS SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于相似日小波支持向量机的短期电力负荷预测

对受不确定性影响的短期电力负荷,本文给出一种基于小波支持向量机的预测方法.采用小波变换将日负荷数据分解到不同尺度上,利用各相似日低频部分的最大最小负荷构造相似系数,通过支持向量机预测一天中最大和最小负荷,结合相似系数得到预测日低频部分各时刻的预测值;对于高频部分采用各时刻均方加权的方法预测负荷值,把各部分的负荷值叠加得到完整的负荷预测值.用山东某电力公司的数据进行数据仿真,取得了较好的预测效果.     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

基于二维小波变换的短期负荷预测

根据电力负荷的周期性与随机性,提出了基于二维小波变换和最小二乘支持向量机的电力系统短期负荷预测方法。首先构造负荷序列二维矩阵,利用二维小波变换将负荷矩阵分解为基荷低频、每天变化的高频、每个时刻变化的高频、随机干扰四个分量,根据重构后负荷分量的特点,构造不同的最小二乘支持向量机模型进行预测;最后将预测后的数据进行叠加得到预测结果。实际预测结果表明该方法具有较高的预测精度和较强的适应能力。     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。