一种基于HHT的短期负荷组合预测方法

提出了一种希尔伯特-黄变换和自适应加权最小二乘支持向量机相结合的短期电力负荷预测方法。先利用HHT中的经验模态分解,将负荷值分解为几个低频段的拟周期量和1个高频段随机量,然后根据各分量瞬时频率特点选择最佳的AWLS-SVM模型预测,最后将各分量预测数据叠加。实例预测结果表明,该方法具有较高的预测精度。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

基于模糊组合权重的BA-SVM短期负荷预测

针对支持向量机(SVM)内部参数优化和输入量大、时间长效率低和相似日选取的问题,提出一种模糊组合权重下相似日选取的蝙蝠算法(BA)优化的支持向量机(SVM)短期负荷预测模型。相似日的选取上主要利用熵权法和加权欧氏距离的k-均值算法对影响负荷变化的因素、负荷各时刻的变化特性进行区别对待,求取二者在相似日下集合的交集,从而得到与待预测日相似度高的相似日。同时,利用BA优化后的SVM进行负荷预测,提高内部参数的选取精度和效率。将该模型与常用的PSO-SVM、GA-SVM进行比较,证明了该模型能有效提高预测精度和计算效率。 更多还原     

基于支持向量机的短期负荷预测的方法改进

在对支持向量机（Support Vector Machines,SVM）方法的参数性能进行分析的基础上,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题。该参数选择方法减少了参数选择的盲目性,提高了SVM的预测精度。通过在East-Slovakia Power Distribution Company提供的电网运行数据上验算,证明了该改进方法的正确性和有效性。     

融合LSTM和SVM的钢铁企业电力负荷短期预测

为了解决大型钢铁企业电力用电对地区负荷冲击大,电力负荷短期预测准确率低的问题,提出一种融合长短期记忆网络(long short-term memory,LSTM)和支持向量机(support vector machine,SVM)的负荷短期预测算法.对钢铁工业地区负荷特性进行分析,根据系统负荷的组成部分将负荷细分为冲击...     

基于负荷规律性分析的支持向量机短期负荷预测方法

提出了一种基于傅里叶分析的支持向量机的电力系统短期负荷预测方法。利用离散傅里叶变换的方法将历史负荷数据分解为不同频域上的分量,将不同频域上的分量依据负荷的成因及其特性组合成四种不同性质的负荷分量,对上述各分量选择不同的预测模型,对于受温度等影响较大的负荷分量,构造支持向量机模型进行预测。实例计算表明该方法是可行和有效的。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

短期负荷预测的MCA与ANN组合模型

针对应用ANN方法时需要处理大量的日负荷数据而影响运算速度的缺点,提出用主成分分析(MainComponent Analysis,MCA)与ANN相结合的组合模型进行预测的方法,在日负荷数据输入神经网络之前用MCA进行处理,“过滤”掉无用的信息成分,以提高负荷预测的效率。仿真结果验证了该组合模型是可行并且高效的。     

计及供给侧出力的数据挖掘负荷预测方法

针对大多数负荷预测方法缺乏对发电侧的考虑,以及预测精度较差等问题,开展了一种计及供给侧出力的数据挖掘负荷预测方法研究.采用K-means算法对样本数据集中的气象数据进行聚类,并且利用灰色关联分析得到气象因素与供给侧、用电量的关系.同时,根据风、光、水、荷的特性,提出净负荷的概念并引入气象因子.在完成数据预处理的基础上,通过支持向量机算法进行分析,以实现负荷预测.基于历史数据集和MATLAB平台对所提方法进行实验分析,结果表明,其预测结果与真实值尤为接近,MPAE、RMSE、AE和FA分别为7.05%、0.97 MW、0.83 MW和90.35%,均优于其他对比方法.     

一种计及横向误差校正的短期负荷预测方法

负荷预报模型由于只能对负荷规律性进行有限描述而在建模域中存在建模误差,在预报域中,与建模误差具有相同统计特性的误差分量就会延续到预报误差中。将频谱分析预测方法与基于灰色理论横向误差校正方法相结合,由频谱分析预测方法进行纵向预测,利用预测时刻之前的整点时刻负荷预测的误差来建立灰色理论模型进行负荷预测的横向误差校正,并对灰色校正模型分点的判断方法作了改进,所提方案在短期负荷预测中的性能良好。     

基于粗糙集改进的支持向量机模型及其在短期电力负荷预测中的应用

通过对传统的最小二乘支持向量机模型和粗糙集理论的研究,提出了一种基于粗糙集理论进行改进的最小二乘支持向量机预测技术,将粗糙集原理的属性约简与特征提取技术运用到输入指标的选取上,保留有用信息并剔除无用信息。最后,以美国PJM市场2012年1月至9月的日24点历史负荷为算例,对该时间段电力负荷进行模拟仿真。结果表明,经过粗糙集属性约简改进后的LS—SVM预测模型大大提高了其预测精度,拟合效果显著提高。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

基于模糊类理论的电力系统短期负荷预测的方法

依据模糊聚类理论,提出一种短期负荷预测的新方法,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明：该方法可以较多的考虑各种影响因素,从而较大地提高了预测的精度。     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于模糊支持向量机的电力系统中期负荷预测

考虑到气温因素对电力系统负荷的影响,提出了一种模糊支持向量机(FSVM)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。首先利用隶属度函数对影响负荷的气温因素进行模糊化处理,然后结合已知数据得到支持向量机(SVM)的训练样本集,采用序列极小优化(SMO)算法实现对支持向量机(SVM)的快速训练,最终得到预测结果,并与不将气温模糊化的仿真结果进行比较,表明本文所提方法简便且预测精度较高。     

基于粗糙集和主成分分析结合的短期负荷预测

采用神经网络进行负荷预测,为了进一步减少输入变量的个数,减小网络结构,在基于粗糙集理论约简的基础上,采用能消除变量间相关性的主成分分析法对负荷影响因素约简,并且通过实例研究证明了此法的有效性。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

计及空间关联冗余的节点负荷预测方法

针对现有节点负荷预测方法对节点空间关联信息没有有效利用的问题,提出计及空间关联冗余的带有估计校正特性的节点负荷预测方法。分析量测信息在时间维度和空间维度上的关联关系,以及二者有机结合的空间关联、冗余的特性,给出二者相互校正的预测原理。对状态量和量测值之间的两种空间关联关系进行深入分析,充分寻求在空间关联拓扑上能间接表征状态量特征的多组量测值方程。依据分析结果建立计及空间关联冗余的预测模型,给出以支持向量机为前期预测模型的预测方法,并对预测方法的优点进行分析。试验结果表明:考虑空间关联冗余的节点负荷预测方法相对于支持向量机模型预测误差明显降低,有利于改善预测结果。