SCE-UA支持向量机的短期电力负荷预测模型研究

偏最小二乘(pls)运算降低电力负荷数据之间的相关性,最小二乘支持向量机(ls-svm)可以获得模型的全局最优预测效果,减少预测过程的运算量。介绍了pls和ls-svm的基本原理,给出了pls-ls-svm建立短期日电力负荷预测模型的过程,并用于某地区2008年的用电日负荷预测,预测的平均相对误差和最大相对误差分别为0.685%和8.8599%。与基于ar(1)模型的预测结果相比,pls-ls-svm模型更高的预测准确性可为短期电力负荷预测提供有效依据。

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;训练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性。对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度。

提出一种联合灰色模型(greymodel,gm)和最小二乘支持向量机回归(leastsquaresupportvectorregression,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β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。

负荷预测是电力系统研究和电网规划的重要组成部分。采用隐马尔可夫模型,训练过程采用baum-welch算法,在matlab软件上隐马尔可夫模型进行训练,得到负荷特性预测最优模型,解码预测过程采用viterbi算法,通过模型可预测下一年地区负荷特性。以广东电网2011年至2016年负荷数据作为训练数据对隐马尔可夫模型进行训练,并对2017年广东典型日负荷率进行预测,仿真结果具有较优的准确性和计算效率。

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(ipso-lssvm)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,ipso-lssvm可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。

提出了一种基于云模型的电力负荷预测模型.利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据.以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器.利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高.

针对小样本数据,提出基于gm(1,1)模型进行电力负荷预测模型,并通过实例表明该模型在电力负荷预测中的可行性;开发了基于gm(1,1)模型的电力负荷预测系统,实现了在实际工作中所要求的数据录入、查询、分析和预测功能。

提出了一种基于云模型的电力负荷预测模型。利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据。以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器。利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高。

随着我国经济建设的不断发展，社会用电量不断增长，电厂和电网规模不断扩大，这就对电力部门的安全、经济运行提出了更高要求。负荷预测是电力市场技术支持系统的一个重要组成模块，尤其是短期电力负荷预测方法易受随机因素的干扰，针对短期负荷预测的特点，将数据挖掘技术引入短期负荷预测中，极大地提高了预测精度，对于保障电力运行的安全性和经济性具有重要作用。基于数据挖掘技术的短期电力负荷预测进行了探讨，希望对相关单位有所帮助。

提出了1种基于混沌分析和支持向量回归机的短期空调负荷预测建模方法。通过研究实际空调负荷序列的混沌特性,确定其混沌特征参数并选取支持向量回归机进行预测。支持向量机建模过程使用粒子群算法进行参数寻优。仿真结果表明,空调负荷序列具有一定的混沌特性,使用混沌支持向量机方法的预测精度比单一支持向量机法预测结果eep指标降低了31.4%,预测精度有了明显提升。

基于支持向量机的建筑物空调负荷预测模型——建立了基于支持向量机理论的建筑物空调负荷预测模型。对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用模型和神经网络模型进行了训练和预测。仿真结果表明,模型具有更高的预测精度和更好的泛化能力,是建筑物空...

建立了基于支持向量机(svm)理论的建筑物空调负荷预测模型。对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用svm模型和bp神经网络模型进行了训练和预测。仿真结果表明,svm模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法。

短期电力负荷预测器设计 thedesignofshorttermpowerload prediction 毕业设计任务书 一、设计内容 结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行matlab仿 真，对仿真预测结果的精度进行分析。 二、基本要求 1．选择适合电力负荷预测的人工神经网络的模型。 2．利用matlab软件用于人工神经网络模型的仿真。 3．得到仿真结果，对电力负荷预测结果的精度进行分析。 三、主要技术指标 利用现有的人工神经网络模型，编写matlab程序，对人工神经网络进行训练，实现电 力负荷预测。 四、应收集的资料及参考文献 [1]韩力群.人工神经网络理论、设计及应用[m].北京:化学工业出版社 [2]周开利，康耀红.神经网络模型及其matlab仿真程序设计[m].北京:清华大学出版 社 [3]朱大奇.

方法的选择对电力负荷预测结果至关重要,本文通过对x(1)(1)增加干扰因素β,实现对初始值的优化,较已有研究文献使用x(1)(n)+β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。

灰色系统是部分信息已知、部分信息未知的系统。灰色系统把一般系统理论、信息控制的观点和方法延伸到社会、经济等广义系统，灰色系统理论能更准确地描述社会经济系统的状态和行为。研究基于灰色系统理论的灰色预测模型，对社会经济系统预测具有重要的意义。由于用电负荷增长情况受经济发展、产业机构、气候、居民收入水平等诸多因素的影响，其中有一些因素是确定的；而另外一些因素是不确定的，故可以把它看作一个灰色系统。

提出了基于小波支持向量机(wsvm)与相空间重构(psrt)相结合的电力系统短期负荷预测(stlf)模型。使用小波核函数(wkf)构建相应的wsvm,并且用云遗传算法(cga)对相关参数进行优化。在分析负荷时间序列的混沌特性基础上,对序列进行了psrt,将相空间中的向量点作为wsvm的输入。该方法不考虑气象和节假日等条件,只使用历史负荷数据。仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值。

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（grnn）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用grnn进行预测的关键点。提出了一种将多种群的果蝇优化算法（mfoa）和grnn相结合的混合年电力负荷预测模型,用以解决上述问题。其中,mfoa用作为grnn电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,mfoa-grnn模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（de-svm）、粒子群优化的grnn模型（pso-grnn）、以及果蝇优化的grnn模型（foa-grnn）的预测结果进行了比较。最终得出,文中所提出的mfoa-grnn模型在年电力负荷预测中的预测性能优于上述3种模型。

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(melm)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(elm)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统elm和os-elm模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高.

讨论了灰色模型gm(1,1)及其改进模型在短期电力负荷预测中的应用,提出了适合电网普通日及特殊日电力负荷预测的数据处理方法,提高了预测的精度。

讨论了灰色模型gm（1，1）及其改进模型在短期电力负荷预测中的应用，提出了适合电网普通日及特殊日电力负荷预测的数据处理方法，提高了预测的精度。