基于FOABHC＿SVM的微电网短期负荷预测模型

为适应微电网的建设和发展对负荷预测效率及精度的要求,针对微电网负荷基数小、间歇性和随机性大等特点,提出一种基于历史认知果蝇优化算法（FOABHC）－优化支持向量机（SVM）的微电网短期负荷预测模型。以国内某微电网示范工程项目为例,将FOABHC＿SVM用于微电网短期负荷预测。实例仿真结果表明,所提出的FOABHC＿SVM预测模型优于SVM预测模型,更适用于当前微电网短期负荷预测需要。     

基于EMD-KELM-EKF与参数优选的用户侧微电网短期负荷预测方法

短期负荷预测是微电网经济调度的重要组成部分,预测误差将直接影响运行经济性。相对于大电网环境,在用户侧微电网实施短期负荷预测的难度更高。提出了一种基于经验模态分解、扩展卡尔曼滤波及核函数极限学习机的组合短期负荷预测模型,通过经验模态分解对随机性强的微电网负荷时间序列逐级分解为多组固有模态函数分量,采用扩展卡尔曼滤波及核函数极限学习机2种存在典型差异的预测模型对不同性质的固有模态函数分量进行预测,并采用粒子群算法实现模型参数的优选。针对用户侧微电网的环境约束,提出了离线参数寻优、周期参数更新与在线预测相结合的实现模式。通过多种类型、容量的用户侧微电网算例分析,验证了模型预测精度、周期更新稳定性与计算效率。     

基于à Trous小波变换与多核SVM的电力短期负荷预测方法

提出了一种基于à Trous小波变换与多核SVM的电力短期负荷预测方法.应用à Trous小波变换将负荷时间序列分解为近似分量和细节分量,并选择不同尺度核的SVM对分解后的数据进行预测,然后将预测后的数据进行合成,得到多尺度负荷预测结果.运用该方法对实际负荷数据进行了1步预测和2步预测,数据实验表明,最大的RMSE误差为1.82,与标准BP神经网络相比,文中所提方法具有更高的预测精度和更好的泛化能力.     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于ARIMA-SVM模型的微电网短期负荷组合预测研究

在对比分析微电网负荷特性与传统电力负荷特性的基础上,针对微电网负荷不确定性和波动性强的特点,提出了一种基于预测误差指标的最优组合预测方法进行微电网短期负荷预测。方法中结合了自回归积分移动平均法和支持向量机模型的优点,以两种预测方法误差绝对值和最小为目标,分析确定预测方法在组合模型中的权重,进而得到组合预测中的最优权重组合。研究表明,与方差倒数法组合预测模型所得结果相比,该组合预测方法具有更高的预测精度,能满足实际要求。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究,将多分辨率支持向量机（M—SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点,设计了负荷预测数学模型,采用96条回归曲线进行日负荷的曲线预测,并在该模型的基础上采用实际数据进行验证,分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于混合智能技术的微电网剩余负荷超短期预测

对微电网中分布式电源发电量和短期负荷的准确预报是微电网运行控制和能量管理的重要基础。提出了微电网剩余负荷的概念和计算方法,分析了微电网剩余负荷超短期预测的特点和影响因素。在考虑微电源历史输出功率、微电网历史负荷以及本地气象因素的同时,综合运用k均值聚类分析、遗传算法和人工神经网络建立了微电网剩余负荷超短期预测模型。搭建了一个含有风电、燃气轮机和燃料电池的微电网仿真模型,仿真结果表明,模型中分布式电源发电量和微电网负荷的预测结果与实测数据非常吻合,验证了模型的预测精度。     

基于GA-BP神经网络的微电网短期负荷预测

针对微电网负荷功率的不确定性,提出了一种基于遗传算法优化的BP神经网络模型GA-BP,能够快速、有 效地建立非线性输入与输出之间的关系,对微电网短期负荷进行预测.通过对遗传算法优化的BP神经网络和传统BP 神经网络分别建立微电网负荷预测模型,对某地区的微电网短期负荷进行MATLAB仿真和计算,对2种模型的未来 24h短期负荷预测进行比较,验证了2种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法优化的BP神 经网络预测的平均相对误差为3.23％,相较于传统的BP神经网络拥有更好的预测精度.     

基于CEEMD-RSVPSO-KELM的用户侧微电网短期负荷预测

用户侧微电网负荷随机性强,短期负荷的预测精度对微电网的正常运行起着重要作用。提出了一种基于互补集成经验模态分解(CEEMD)和区域划分自适应变异粒子群(RSVPSO)算法优化核极限学习机(KELM)的负荷预测模型。采用互补集成经验模态分解将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,利用区域划分来实现惯性权重和学习因子的自适应调整,提高粒子的全局寻优能力和搜索效率,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后通过案例验证,所提模型的预测准确率约为98.114%,较其他预测模型具有更好的预测效果和实际应用意义。     

基于支持向量机的电力负荷组合预测模型

给出了一种基于支持向量机(SVM)的组合预测模型,利用各种方法的预测结果作为SVM的输入,实际负荷值作为SVM的输出,并采用LIBSVM算法和径向基核函数对SVM进行训练,训练后的SVM便具有预测能力。最后的仿真结果表明,基于SVM的组合预测模型的预测精度不仅高于任一单一模型,且高于固定权系数组合预测模型。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

含有电力弹簧的微电网能量优化模型

提出一种含有电力弹簧的微电网能量优化模型。考虑电力弹簧作为微电网负荷调节的一种媒介,根据非关键负荷特性建立智能负荷的调节模型。根据风电出力和多种负荷预测曲线,对该能量优化模型进行分析计算;定量分析电力弹簧在计及储能充放电成本、弃风成本、电力弹簧设备折旧成本和负荷调节补贴的微电网能量优化中的作用。算例和仿真结果验证了所提能量优化模型的正确性和有效性。     

实现影响因素多源异构融合的短期负荷预测支持向量机算法

针对智能电网大数据环境下,导致电力系统负荷波动的诸多因素存在多源异构性的问题,利用多核函数来对其多源异构特性进行差异化处理和融合,能够描述影响因素的内在分布特性并应对其变化,提高负荷预测精度。选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9个属性作为多源异构影响因素,利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成,采用双层多核学习算法,建立了并行化多核支持向量机(SVM)负荷预测算法流程,并在Hadoop集群上进行了仿真验证。仿真结果表明,多核SVM比单核SVM预测平均相对误差小,双层多核学习、基于lp范数的多核SVM模型预测精度最高。因此,多核SVM能有效处理负荷预测中的多源异构数据,经并行化处理后,能提高负荷预测的速度与精度。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。     

结合模糊粗糙集和支持向量机的电力负荷短期预测方法

针对支持向量机（support vector machine,SVM）负荷预测方法中存在冗余信息、数据量过大而导致的训练时间过长、速度变慢等缺陷,利用模糊粗糙集（Fuzzy Rough Sets,FRS）能有效地处理不精确或不完备知识及冗余信息的特点,提出了一种结合FRS和SVM的短期负荷预测模型,将FRS理论中的属性约简算法用于解决电力负荷中众多影响因素的信息膨胀问题,采用属性约简算法剔除与决策信息不相关的因素,将约简后的因素作为SVM的输入,并采用SVM回归算法预测短期负荷。算例仿真表明,该预测模型可保证预测精度,加快计算速度。     

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine, LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition, SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVM Lab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5分钟的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较强的鲁棒性,为风力微电网优化调度控制工程提供一种新思路。