共查询到19条相似文献,搜索用时 156 毫秒
1.
2.
针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。 相似文献
3.
短期负荷预测的聚类组合和支持向量机方法 总被引:2,自引:0,他引:2
为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结... 相似文献
4.
基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测 总被引:6,自引:5,他引:6
提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。 相似文献
5.
基于多分辨率SVM回归估计的短期负荷预测 总被引:4,自引:3,他引:1
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。 相似文献
6.
7.
8.
9.
10.
提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。 相似文献
11.
12.
改进的灰色Verhulst模型在中长期负荷预测中的应用 总被引:7,自引:2,他引:5
针对中长期电力负荷预测小样本、贫信息、不确定、非线性等特点,提出了基于最小二乘支持向量机算法与等维新息技术的改进灰色Verhulst模型,并将该模型用于具有S型增长或处于饱和增长状态的中长期电力负荷预测。根据原始数据建立了灰色Verhulst模型,利用LS-SVM算法对模型中的参数进行了估计,基于等维新息递补预测法对负荷数据进行了预测。实例计算结果表明,基于该模型得到的预测结果相对误差在3%以内,与传统预测模型相比,采用文中的模型可获得更高的预测精度。 相似文献
13.
基于贝叶斯理论和在线学习支持向量机的短期负荷预测 总被引:14,自引:6,他引:14
该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息,包括样本信息和先验知识结合在一起加以利用,不但避免了过拟合问题,而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上,以递增和递减算法可直接得到新的回归函数而无需重新训练,从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。 相似文献
14.
区分新接电用户与老用户负荷增长的不同规律,使中短期负荷预测更符合实际.介绍了考虑新接电用户负荷发展的中短期负荷预测方法的基本思路,数学模型及负荷预测表达式,新接电用户需用系数计算方法.通过地区中短期负荷预测实例的结果分析,建议了准确度最高的负荷预测公式,并证明该预测方法较原有的方法明显提高了负荷预测的精确程度. 相似文献
15.
电力系统短期负荷预测的高木-关野模型研究 总被引:4,自引:4,他引:4
电力系统短期负荷预测在电力系统的运行设计中有重要的意义,利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上,提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型,以某供电局2000年的负荷实测值建立模型,进行了负荷预测,与实际值进行比较分析表明,这一模型应用于短期负荷预测能获得较高的预测精度,具有一定的研究价值。 相似文献
16.
17.
In this paper, a novel method is proposed for short‐term load forecasting, which is one of the important tasks in power system operation and planning. The load behavior is so complicated that it is hard to predict the load. The deregulated power market is faced with the new problem of an increase in the degree of uncertainty. Thus, power system operators are concerned with the significant level of load forecasting. Namely, probabilistic load forecasting is required to smooth power system operation and planning. In this paper, an IVM (Informative Vector Machine) based method is proposed for short‐term load forecasting. IVM is one of the kernel machine techniques that are derived from an SVM (Support Vector Machine). The Gaussian process (GP) satisfies the requirements that the prediction results are expressed as a distribution rather than as points. However, it is inclined to be overtrained for noise due to the basis function with N2 elements for N data. To overcome this problem, this paper makes use of IVM that selects necessary data for the model approximation with a posteriori distribution of entropy. That has a useful function to suppress the excess training. The proposed method is tested using real data for short‐term load forecasting. © 2008 Wiley Periodicals, Inc. Electr Eng Jpn, 166(2): 23– 31, 2009; Published online in Wiley InterScience ( www. interscience.wiley.com ). DOI 10.1002/eej.20693 相似文献
18.
考虑周周期性的短期负荷预测 总被引:4,自引:1,他引:4
本文根据周期自回归模型,在考虑小时负荷变化的日周期性的基础上,进一步考虑了一周内小时负荷变化的特性,通过修理短期负荷预测的日周期PAR模型,建立了计及负荷动周周期性的PAR预测模型。对一实际系统未来一周的小时负荷预测结果表明了本文方法的有效性。 相似文献
19.
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 总被引:34,自引:7,他引:34
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。 相似文献