基于积温效应和优化支持向量机的短期电力负荷预测

从积温效应的表现形式出发,提出一种考虑积温效应的优化支持向量机负荷预测方法。在充分研究积温效应2种表现形式的基础上,建立温度修正模型,同时为进一步提高预测精度,采用优化支持向量机预测负荷。最后借助江苏某地区的历史数据,采用最小二乘法求解积温效应参数、修正温度,并将修正之后的结果代入预测方法中,结果表明预测精度较高,具有一定的应用价值。     

基于分段积温效应的夏季负荷组合预测方法

分析了积温效应的2种表现形式:多日积温效应和两日积温效应,提出了考虑积温效应的夏季负荷组合预测方法。该方法充分考虑积温效应的2种表现形式,建立了3种温度的修正模型;为了提高预测精度,采用基于多元线性回归法、BP神经网络和支持向量机的组合预测方法。以江苏某地区的负荷数据作为历史数据,采用基于最小二乘法优化的模拟退火法求解最优参数对温度进行修正,并将修正之后的温度代入组合预测模型中预测负荷,结果表明,预测精度高,可以满足系统调度人员的需要。     

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。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于小波变异果蝇优化支持向量机短期负荷预测方法研究

预测精度是电力负荷预测的重要指标。为增强预测精度,提出基于小波变异果蝇优化的支持向量机预测模型(WFOAAM-LSSVM)。利用小波对负荷数据进行预处理,分解成不同尺度的负荷曲线,加强历史数据规律性和随机性。针对果蝇算法寻优精度不高和易陷入局部最优的不足,利用群体适应度方差和当前最优解判断是否陷入局部最优,再进行最优个体扰动和高斯变异操作,对变异后的果蝇个体二次寻优,使支持向量机预测模型精度得到明显增强。利用WFOAAM-LSSVM对2015年河南省某地区历史负荷数据对未来几日预测,并与支持向量机模型以及粒子群优化的支持向量机模型预测结果对比。结果表明:基于小波变异果蝇优化的支持向量机短期负荷预测精度高,具有很好的实际应用意义。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益.分析了支持向量机(support vector nachine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法.该方法利用模拟退火(simulated annealing,SA)算法自动优化参数.实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度.     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

基于EEMD-CS-LSSVM的短期负荷预测方法研究

针对电力负荷具有非线性特征、预测精度不高的问题,提出一种基于集合经验模态分解和布谷鸟搜索算法优化最小二乘支持向量回归机的组合预测方法.首先,将历史负荷数据经集合经验模态分解为高频分量、随机分量和低频分量;其次,针对各分量特征采用具有不同核函数的最小二乘支持向量回归机预测模型进行电力负荷分量的预测,并且利用布谷鸟搜索优化最小二乘支持向量回归机预测模型的关键参数;最后,叠加各分量预测值,还原电力负荷预测结果.以河南某地区电力数据为例,通过与反向传播神经网络、差分整合移动平均自回归模型以及布谷鸟优化-最小二乘支持向量机方法对比,表明本文所提方法具有最高的预测精度,预测准确率达到98.5％.     

基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机（LS-SVM）进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均（ARMA）误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

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ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

基于气温累积效应和灰色关联度的短期负荷预测研究

气象因素是短期负荷预测重要的影响因素。为提高预测精度,研究了一种基于气温累积效应和灰色关联度的支持向量机拓展算法——最小二乘支持向量机(least squares support vector machine,LSSVM)。通过相关性分析得到与日平均负荷相关程度较大的气象因素。在此基础上,结合气温累积效应采用灰色关联方法对历史日进行分析,选取与待预测日关联度较大的历史日作为相似日,并对LSSVM模型进行训练和预测。实际应用表明,使用所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于PSO-SVM的电力负荷预测

电网的安全经济可靠运行需要电力负荷预测具有较高的精度。尽管支持向量机理论解决电力负荷预测数据小样本,非线性,局部极小点等问题有很大的优势,但支持向量机的参数(c,σ)难以确定最优值。采用带惯性权重的粒子群优化算法(PSO)对支持向量机参数寻优并进行电网短期负荷预测。将预测结果同普通支持向量机和RBF神经网络预测结果对比,结果证明这种方法减少了预测耗时,提高了预测的稳定性和精度。     

基于生长曲线与气温累积效应的气象负荷预测

夏季受高温天气的影响,由降温设备所引起的气象负荷日趋变大。针对气象负荷获取困难以及负荷预测精度不高的问题,提出一种新的气象负荷预测方法。首先,为获得准确的气象负荷数据,采用生长曲线来描述基础负荷的增长特性,通过剔除基础负荷来获得气象负荷数据;其次,考虑到夏季高温天气的气温累积效应,需要对高温天气的日最高温度进行修正,提出一种基于气象负荷的温度修正方法及相应模型;最后,建立粒子群优化的极限学习机负荷预测模型,分别对总负荷和气象负荷进行预测。算例分析结果表明,基于生长曲线与气温累积效应提升了负荷预测效果,验证了所提算法和模型的有效性。