电力负荷预测的CBR中权重向量的选取模型

电力负荷预测是一个较为复杂的过程,由于影响负荷的因素较多,权重向量的选取较为困难,导致负荷预测的准确性较差。通过遗传算法选取合适的权重向量,在范例检索的过程中利用时间序列和组合属性对权重向量和预测结果进行进一步修正,使得负荷预测的精度大大提高,实验结果表明该模型具有有效性和实用性。     

基于加权支持向量机与AdaBoost集成的预测模型研究

电力负荷预测是近年研究的热点话题,因受温度、湿度、自然灾害等因素影响,准确预测相当困难。为此,通过引入历史观察数据的权重、改进支持向量回归预测模型和参数的智能选取,克服影响电力负荷的随机因素的影响,运用AdaBoost算法提升加权支持向量回归预测能力,提高预测精度。通过仿真建模,对真实的电力负荷数据进行预测实验,结果表明所提的方法比单个SVR模型和神经网络BP模型的预测精度高,稳定性好。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

加权相似度及加权支持向量机的短期负荷预测

短期电力负荷预测中,针对维数比较高、各影响因素差异大、随机误差差异性大等问题,提出一种基于加权相似度和加权支持向量机的模型。首先,通过主成分分析得到负荷数据的综合因子,利用灰色关联分析分析综合因子与各影响因素的关系,计算各个影响因素的权重;其次依据权重采用加权相似度公式获得相似日,即样本数据;最后,针对相似日,采用加权支持向量回归机进行建模,实现对短期电力负荷进行预测。实验结果表明了该方法的有效性。     

支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

基于离散Fréchet距离和SVM的短期负荷预测

针对支持向量机在电力系统短期负荷预测中,预测模型的精度易受训练样本数据的影响,且训练时间长的问题,本文提出1种基于离散Frechet距离和支持向量机相结合的预测方法,通过建立离散曲线相似性的数学模型,找出与基准日负荷曲线形状相似的历史日负荷曲线,以相似日的负荷数据及相应的气温、星期类型等影响因素作为训练样本对支持向量机进行训练,有效地减少了训练数据量,使得训练样本更具针对性。采用East-SlovakiaPowerDistributionCompany提供的负荷数据对提出的模型进行验证,并与标准支持向量机的预测结果对比,本文的方法能够科学合理地选取相似日,提高了支持向量机短期负荷预测的精度。     

基于多变量LS-SVM和模糊循环推理系统的负荷预测

智能电网环境下,电力需求响应的发展给传统用电模式带来重大变化,用户可以根据电能需求结合实时电价调整用电模式,这使得负荷预测变得更加复杂。通过相似日负荷序列局部形相似计算,选取样本数据,采用多输入双输出的最小二乘支持向量机(LS-SVM),对负荷和价格进行同时预测,得到初步预测结果。考虑需求响应条件下实时电价与负荷之间的相互影响,采用基于数据挖掘技术的模糊循环推理系统模拟人的思维过程,通过挖掘电价变化量、负荷变化量等变量之间的关联规则,模拟电价与负荷预测之间存在的博弈过程,对多变量最小二乘支持向量机预测算法的初步预测结果进行循环修改,直至负荷和电价预测结果趋于稳定。多变量最小二乘支持向量机不存在容易陷入局部最优等问题,并且有良好的泛化能力,基于改进的模糊关联规则挖掘算法和循环预测控制算法具有良好的完备性和鲁棒性,能够逼近现实环境的各种可能情况,修正负荷预测结果。针对某电网的实际预测结果表明,该方法具有较好的预测效果。     

光伏影响下考虑气象负荷分解和LSSVM的负荷预测

随着光伏电源并网规模的不断扩大,光伏电源出力的波动性使得负荷预测难度加大,气象因素又对电力系统负荷有显著的影响。考虑剥离光伏电源对电网负荷预测的影响后,研究实时气象因素对电力系统净负荷的影响,然后将净负荷分解为基础负荷和气象敏感负荷,采用灰色模型GM(1,1)和最小二乘支持向量机算法分别对二者进行预测。之后采用主导气象因素辨识方法分析影响净负荷的主要气象因素,合理选取预测模型的输入向量,实现了考虑光伏影响与气象敏感负荷分解的LSSVM负荷预测。实验证明所提出的模型能够明显提高负荷预测的准确度。     

短期电力负荷最优组合预测模型的研究

组合预测是将几种预测方法所得的预测结果选取适当的权重进行加权平均的一种预测方法.将组合预测思想运用到电力负荷预测系统中,通过方法参数最优化、方法自动筛选和权重最优化,构建最优组合预测模型.实践证明,组合预测比单个方法预测具有更高的预测准确性.     

基于动态双组粒子群的短期负荷预测

为提高电网短期负荷预测的精度,提出一种有效的优化支持向量机参数的算法。该算法首先将初始粒子群适应度排序,然后根据适应度的大小将初始粒子群划分为两组,并同时运用不同的权重进行全局搜索和局部搜索。前期,全局搜索的粒子群数量远多于局部搜索,且使用全局搜索能力强的较大的惯性权重;局部搜索的粒子群使用较小的惯性权重。随着迭代次数的增加,全局搜索的粒子群数量不断减少,局部搜索不断增多,两组粒子数量动态变化。并且引入平均粒距和适应度方差解决粒子群容易陷入局部最优这一问题,最后用改进的动态双组粒子群算法优化最小二乘支持向量机的参数用于短期负荷预测,实验结果表明该方法预测精度更高,可行且有效。     

基于服务类型的动态反馈负载均衡算法*

针对现有静态和动态负载均衡算法往往存在计算服务节点负载过程中引用特征信息过少,或忽视不同类型服务对于节点负载的影响等问题,提出了一种基于服务类型的动态反馈算法。该算法统计各节点的多种负载信息,通过NECP协议实现动态反馈,并引入负载权重向量和负载能力向量计算节点的综合负载。算法在实际的仿真环境中得到了验证,说明了具有可用性和优越性。     

Short-term load forecasting using bayesian neural networks learned by Hybrid Monte Carlo algorithm

This paper presents a short term load forecasting model based on Bayesian neural network (shorted as BNN) learned by the Hybrid Monte Carlo (shorted as HMC) algorithm. The weight vector parameter of the Bayesian neural network is a multi-dimensional random variable. In learning process, the Bayesian neural network is considered as a special Hamiltonian dynamical system, and the weights vector as the system position variable. The HMC algorithm is used to learn the weight vector parameter with respect to Normal prior distribution and Cauchy prior distribution, respectively. The Bayesian neural networks learned by Laplace algorithm and HMC algorithm and the artificial neural network (ANN) learned by the BP algorithm were used to forecast the hourly load of 25 days of April (Spring), August (Summer), October (Autumn) and January (Winter), respectively. The roots mean squared error (RMSE) and the mean absolute percent errors (MAPE) were used to measured the forecasting performance. The experimental result shows that the BNNs learned by HMC algorithm have far better performance than the BNN learned by Laplace algorithm and the neural network learned BP algorithm and the BNN learned by HMC has powerful generalizing capability, it can welly solve the overfitting problem.     

基于HLS流媒体集群动态反馈负载均衡算法

面对移动视频用户大量的并发视频请求,为了解决流媒体集群节点负载反馈不及时、节点选择不精确、节点负载过重而导致用户满意度下降的问题,提出一种改进的动态反馈负载均衡算法。综合考虑静态和动态负载因子衡量各节点服务性能和当前负载,使用层析分析法计算负载权值向量;同时计算负载权值和引入容余负载,并对容余负载进行修正,使其更加精确地描述集群负载情况,改善了传统动态反馈负载均衡算法中请求数突增造成的负载倾斜。实验结果表明,算法实现了多节点负载动态平衡,提高了节点的利用效率。     

采用熵权和模糊集的特征评价方法及应用

针对传统评价方法主观性过大,人为因素影响评价结果的问题,提出一种基于熵权和模糊理论的评价方法。该方法对属性特征与评价结果之间的映射关系和指标权重向量进行模糊化处理,采用隶属度矩阵表达评价因子和评价结果之间的映射,再利用信息熵定量计算各影响因素的权重,克服了在传统评价过程中人工设定权重系数的主观性。以起重机械的安全评价为例,验证了该方法的有效性。     

一个具有可调变权能力的变权向量

依据变权向量的定义构造一个带参数的变权向量,并证明了变权向量与状态变权向量的关系定理;通过引入变权向量的相对调节度概念,求出了所构造的变权向量的相对调节度,并分析了其变权效果.最后运用该变权向量求解一个算例,所得结果表明,该变权向量不但具有较强的变权能力,而且其变权能力将随参数取值的改变而变化.     

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

基于神经网络的电力负荷不良数据的清洗

电力负荷预测前应首先对负荷数据进行清洗,根据电力日负荷曲线的特征,应用改进的ART-2神经网络准确的提取电力日负荷特征曲线,然后利用支持向量数据描述法对不良数据进行精确定位,最后利用特征曲线对不良数据进行修正.由于ART2网络能够动态调整特征曲线以及支持向量数据描述法快速准确性,使得该清洗模型具有对不良数据进行动态清洗的功能,实例分析说明了该模型的高效性.     

基于DA聚类的多支持向量机负荷预测

针对负荷序列是有噪声的非平稳时间序列的问题,首先利用确定性退火聚类方法(DA)对负荷数据进行全局最优分类。分类考虑了负荷、温度及温度变化等各种因素的影响。然后对分类后的每一个子序列建立相匹配的支持向量机模型进行预测。用所提出的方法对负荷数据进行建模预测,用所得结果同单个支持向量机预测结果进行比较,表明了该方法能改善预测精度,提高学习速度。     

A load prediction model for cloud computing using PSO-based weighted wavelet support vector machine

In order to reduce the energy consumption in the cloud data center, it is necessary to make reasonable scheduling of resources in the cloud. The accurate prediction for cloud computing load can be very helpful for resource scheduling to minimize the energy consumption. In this paper, a cloud load prediction model based on weighted wavelet support vector machine(WWSVM) is proposed to predict the host load sequence in the cloud data center. The model combines the wavelet transform and support vector machine to combine the advantages of them, and assigns weight to the sample, which reflects the importance of different sample points and improves the accuracy of load prediction. In order to find the optimal combination of the parameters, we proposed a parameter optimization algorithm based on particle swarm optimization(PSO). Finally, based on the WWSVM model, a load prediction algorithm is proposed for cloud computing using PSO-based weighted support vector machine. The Google cloud computing data set is used to verify the algorithm proposed in this paper by experiments. The experiment results indicate that comparing with the wavelet support vector machine, autoregressive integrated moving average, adaptive network-based fuzzy inference system and tuned support vector regression, the proposed algorithm is superior to the other four prediction algorithms in prediction accuracy and efficiency.