小波支持向量机与相空间重构结合的短期负荷预测

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。

风力发电具有波动性、间歇性和随机性的特点,风力发电的并网给电力系统的安全运行带来了严峻挑战,因此,实现风电场风速的预测具有重要意义。支持向量机是发展比较好的一种常用的风速预测方法,但是由于其输入特征对预测的精度影响比较大,所以特征的选择一直是人们所关注的问题。文章提出采用相空间重构理论对风电场风速进行预测,并通过与使用自然特征作为输入特征的预测方法作比较,验证了基于相空间重构的支持向量机的预测方法的优越性。

在电改背景下,文章提出一种基于判别分析和支持向量机结合的在建工业园区月度负荷需求预测模型。针对近期将入驻园区的企业,参照当前同行业负荷数据,进行预测；对园区现有企业,基于96点负荷数据及其相关影响因素,判断其增容需求。从而结合两项结果对园区近期电力需求进行综合预测,为园区配电网规划提供决策依据。

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘(pls)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(svm)对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。

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。

支持向量机(supportvectormachine,svm)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现svm算法性能参数的设置将直接影响负荷预测的精度.为此在对svm参数性能分析的基础上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量机短期电力负荷预测模型建模的思路及关键参数的选取,在建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用sce-ua算法辨识svm的参数.贵州电网日96点负荷曲线预测的实际算例表明,所提sce-ua支持向量机模型不仅克服了svm参数选择的盲目性,而且能提高预测准确率,是一种行之有效的短期电力负荷预测模型.

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。

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。

分析了多种负荷预测的方法,着重分析了负荷的混沌特性与小波特性,同时分析了小波变换能够反应负荷的变化趋势与随机因素。利用matlab工具,建立了基于小波理论与混沌理论相结合的负荷预测模型,并利用该模型对四川某地区短期电力负荷进行了有效的预测。

实行负荷预测是空气调节系统优化运行的基础,如何选择工程应用切实可行的方法,仍然是一个值得探讨和研究的问题。支持向量机(svm)算法在解决小样本、非线性及高维模式识别中表现出许多特有的优势。本文将支持向量机算法引入空调负荷预测中,对深圳市夏季六、七月份的逐时空调负荷,分别用svm模型和armax模型进行了训练和预测,结果表明svm模型适用于空调负荷预测,具有很好的泛化能力。

提出将小波分析和时间序列应用于空调负荷预测;利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上,分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预测,最后再合成得到原时间序列的预测值。预测结果表明,该模型应用于空调负荷预测具有较高的预测精度,而且明显优于传统的时间序列模型。

负荷预测对电网规划和售电市场调控具有重要意义。由于电力负荷与天气、日期、区域等多个因素密切相关,存在较强的不确定性和非线性特征,导致传统方法的负荷预测精度较低。为了提高负荷预测精度,提出基于正交投影径向基函数极限学习机(oprbf-elm)的短期电力负荷预测算法。该算法将elm的隐含层节点替换为径向基神经元,基于训练误差二范数最小化准则,采用正交投影计算输出权值向量,并在核函数的数量取值范围内索引获取使得训练集均方根误差(rmse)最小的预测负荷结果。算法预测过程中只需要设置网络的径向基神经元(rbf)个数,不需要调整输入权值及隐含层偏差,且正交投影能较好地消除输入样本特征之间的相关性,快速有效得到输出权值向量,从而提高负荷预测精度。以我国某省电动汽车用电领域的负荷数据作为标准样本进行仿真,仿真实验验证了该算法的可行性和有效性,与支持向量机(svm)和传统rbf-elm相比,该算法的预测精度高、泛化能力强,具有广泛的实用性。

小波时间序列在空调负荷预测中的应用——文章提出将小波分析和时间序列应用于空调负荷预测；利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上，分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预测，最后再...

结合支持向量机模型和小波框架理论,建立了沉降预测模型,并对杭州市某小区的危旧建筑物进行了沉降预测,结果表明该模型预测精度较高,可以较好地预测建筑物沉降的发展趋向,适用于建筑沉降预警工作。

由于中央空调系统的时滞性、时变性、非线性和大惰性等特性,使得当前采用的中央空调负荷预测算法精度并不高,本文在江阴某楼宇空调系统节能改造项目的基础上,从中央空调系统的组成和特性出发,提出了基于支持向量回归机（supportvectorregressionsvr）理论的中央空调负荷预测模型。对项目楼宇历史负荷数据进行分析,分别采用svr负荷预测模型和bp神经网络负荷预测模型进行了训练和预测。预测结果表明：基于svr负荷预测模型较bp神经网络负荷预测模型精度更高,具有较强的实用性和可行性。

基于小波变换的思想建立了递归bp网络模型来预测空调负荷,改进了网络权值、阈值的修改算法,引入了折扣系数法以提高近期预测精度,结合一实例进行了空调逐时冷负荷预测,结果表明该方法预测精度高,适用于空调负荷预测。

电网发展规划是电网建设的首要任务之一,而负荷预测是电力规划的基础工作。基于空间饱和负荷密度的方法非常适用于规划各种产业园区和集聚区及城市新区的电力负荷预测。通过饱和负荷预测确定电网的长远规划目标,事先进一步做好短期电网输变配电工程建设项目的储备工作,有利于改变城市电网建设滞后于城市发展的被动局面。

电力系统短期负荷预测的静态分析

0 目录 中文摘要..............................................................1 英文摘要..............................................................2 1电力系统负荷预测综述...............................................3 1.1引言...........................................................3 1.2电力系统负荷预测的含义.........................................3 1.3电力系统负荷预测的意义.......................................

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用gm(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。