基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于相似日聚类与支持向量机的迎峰度夏期间负荷预测方法

日负荷曲线是电力公司调度部门制订调度计划的依据。提出一种基于相似日聚类与支持向量机的迎峰度夏期间日负荷曲线预测方法,运用气象数据聚类筛选出预测日的相似日,对预测日整点时刻负荷进行支持向量机预测。该算法充分利用支持向量机预测精度高和聚类算法训练速度快的优点,将该算法应用于辽宁电网迎峰度夏期间的日负荷曲线预测,结果表明该方法不仅训练速度快,而且具有较高的预测精度。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。     

利用卷积神经网络支持向量回归机的地区负荷聚类集成预测

为提高地区负荷预测的运算效率和预测精度,提出了一种基于卷积神经网络支持向量回归机的地区负荷聚类集成预测方法。首先,通过聚类模型对地区内大量用户的真实负荷数据进行分组并分析了不同聚类模型的效果。其次,使用得到的聚类分组标签将用户数据分组集成并构建训练数据。然后,基于改进的卷积神经网络构建了卷积神经网络支持向量回归机模型。最后,分组进行负荷预测并将预测结果求和得到地区最终预测月负荷,并与卷积神经网络模型、长短期记忆神经网络模型、决策树模型、支持向量回归机模型进行对比。文中使用扬中市高新区的负荷数据作为算例进行分析,结果表明文中所提方法相较于现有算法具有更高的负荷预测精度和运算效率。     

分区支持向量回归及其在负荷预测中的应用

为解决局地短期电力负荷预测问题,给出了一种基于自适应聚类分区和支持向量机回归的多模型变结构负荷预测新方法.首先根据局地电力负荷的特点,使用模糊C均值聚类方法给出预测时间点的自适应分区;然后利用支持向量回归方法对不同分区分别构建预测子模型;最后提出一种基于仿真分析的模型评估和参数优化方法,在测试评估的基础上优化确定各子模型的参数,并适当调整各分区的结构.实验表明该预测方法比常用的神经网络预测方法具有更高的准确率和更强的鲁棒性.     

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。     

基于改进LS-SVM的短期电力负荷预测方法研究

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。     

基于数据挖掘的SVM短期负荷预测方法研究

支持向量机方法已成功地应用在负荷预测领域,但它在训练数据时存在数据处理量太大、处理速度慢等缺点。为此提出了一种基于数据挖掘预处理的支持向量机预测系统,引用在处理大数据量、消除冗余信息等方面具有独特优势的数据挖掘技术,寻找与预测日同等气象类型的多个历史短期负荷,由此组成具有高度相似气象特征的数据序列,将此数据序列作为支持向量机的训练数据,可减少数据量,从而提高预测的速度和精度,克服支持向量机的上述缺点。将该系统应用于短期负荷预测中,与单纯的SVM方法和BP神经网络法相比,得到了较高的预测精度。     

电力系统短期负荷预测新方法

在分析短期负荷预测特征及其主要影响因素的基础上,比较了专家系统、神经网络、支持向量机这些新一代短期负荷预测方法和组合模型的优缺点,综述了近年来上述方法的应用及研究情况,重点介绍了支持向量机和组合模型两种预测方法,指出了智能化、组合模型、区间概率化是未来短期负荷预测方法研究的主要发展方向,并就短期负荷预测实用化提出了建议.     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。     

大波动地区级系统短期负荷预测方法研究

提出了针对容量较小、负荷波动较大的地区级电力系统适用的短期负荷预测方法,共分为四个步骤：①原始数据的预处理,②用模糊系统预测预测日的峰谷值,③用人工神经网络预测预测日的24h负荷值,④根据第②③步的结果用专家系统决定最终的负荷预测值。利用本文提出的方法对福建永安电力系统1999年1月至2000年6月的数据进行预测,结果证明了方法的快速性和准确性。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

基于FFT，DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换（FFT）、密度层次聚类算法（DC-HC）与长短时记忆（LSTM）神经网络相结合的短期负荷预测方法。首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量。然后采用DC-HC算法对负荷进行聚类,将原始数据分拆成具有特征属性的数据分量组;运用LSTM模型对各分量组进行负荷预测,再将各分量组预测结果进行叠加,得到最终负荷预测值;最后,采用爱尔兰实际电力负荷数据进行算例分析,结果表明所提方法能够有效提高负荷预测精度。