基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法.阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG.CACO)对SVM核函数的参数进行了优化.同时介绍了基于MG.CACO算法的支持向量机技术的设计思想和特点.并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性.     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法（MG-CACO）对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。     

短期负荷预测中SVM参数选取的混沌优化方法

支持向量机已成功地应用于短期负荷预测领域,但其学习和泛化能力取决于参数的有效选取.为进一步提高预测精度,针对目前支持向量机参数选取方法的人为盲目性等缺点,在分析各个参数对其预测性能的影响的基础上,将混沌优化技术应用于参数的选取过程.对组合优化问题建立目标函数,采用一种改进的变尺度混沌优化算法来搜索全局最优值,从而得到最优的参数组合.通过湖南某地区电网日负荷预测的仿真结果表明,该方法与常规方法相比,显著地降低了模型的建模误差和预测误差,具有更好的性能.     

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。     

基于改进积温效应修正模型的负荷预测

针对积温效应会造成电力负荷异常增长,传统负荷预测方法精度较差的问题,基于积温效应对电力负荷影响进行分析,提出了基于改进积温效应修正模型与参数优化支持向量机的负荷预测方法。首先分析气象因素与气象负荷的相关性,确定积温临界值,对积温效应强度和温度之间的关系进行研究,提出了一种改进积温效应温度修正模型。然后利用PSO对支持向量机参数进行优化,利用优化支持向量机对日负荷进行预测。最后通过算例实例证明了该方法的有效性,可有效提高短期负荷预测的精度。     

基于混沌优化支持向量机的火电厂NO_x排放量预测

在传统支持向量机的基础上,建立了基于混沌优化算法优化的支持向量机预测模型,提高了支持向量机的预测精度。根据1995~2009年的NOx统计数据,对2010年的NOx排放量进行了预测,验证了预测模型的合理性。     

基于GRA-LSSVM的配电网空间负荷预测方法研究

针对配电网空间负荷预测实际应用中容易存在可用信息和数据散杂且经常匮乏的问题,提出了一种基于最小二乘支持向量机的新型配电网空间负荷密度预测算法,以解决预测方法中样本有限、不易识别等问题。同时引入灰色关联分析改善最小二乘支持向量机的样本筛选,并采用混沌粒子群算法完善最小二乘支持向量机的参数选择,提高算法的空间负荷密度预测的精度。在介绍算法原理基础上,详细设计了配电网空间负荷预测方法的实现流程。对该算法的性能进行实例分析表明,所提方法可以有效地提高负荷密度预测的精度。     

基于相空间重构和随机配置网络的电力负荷短期预测

针对配电网负荷随时间空间变化的非线性特征导致短期负荷预测精度低和模型训练时间成本高的问题,设计了一种基于相空间重构(phase space reconstruction, PSR)和随机配置网络(stochastic configuration networks, SCN)的电力负荷短期预测模型。首先将配电网数据中与负荷相关的气象数据通过主元分析法(principal component analysis, PCA)进行数据降维,并与负荷序列组合成多变量的时间序列,运用混沌时间序列理论,通过互信息法和虚假近邻法求取参数并重构相空间,最后使用随机配置网络预测电力负荷。采用欧洲电网公开数据集的历史负荷和气象数据验证所提方法,结果表明,与网格搜索法优化的支持向量机(support vector machines, SVM)、反向传播神经网络(back propagation neural networks, BP)、长短期记忆网络(long short-term memory network, LSTM)和整合移动平均自回归(autoregressive integrated moving average, ARIMA)相比,所设计方法具有智能化水平高、运算高效的特点,有一定的实用价值。     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

短期负荷预测相空间重构法参数优选的数值测试与分析

采用混沌方法中相空间重构法的局部线性法进行短期负荷预测时,需要优选3个参数,即负荷记录序列的延时时间、嵌入相空间的维数以及选择邻近点时使用的距离。数值测试表明,按混沌理论优选的延时时间和嵌入相空间的维数一般不是负荷预测的最适合参数。这2个参数的取值和搭配对预测误差的影响最大,其次才是选择邻近点时使用的距离。这是由于负荷记录不是严格混沌的,而是以双周期为主。对测试结果的分析表明,优选的延时时间,在离线预测时可以选择使负荷记录中的双周期成分延时相轨迹出现最小重叠的延时时间;在线预测时是使负荷取样序列具有最小方差。此外,还确认采用负荷记录的“平衡点 混沌”拆分通常可以降低预测误差。     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

应用相空间重构理论分析电力负荷时间序列

电力系统负荷的复杂性及非线性相应地增加了对其预测的难度。电力负荷的混沌预测是建立在重构电力负荷序列的相空间基础之上的。重构合适的相空间,使空间轨道充分展开是进一步混沌序列预测的前提。本文结合混沌理论的思想,重点阐述了电力负荷时间序列的相空间重构的思想和算法,并以实际电力负荷数据加以验证,得出了电力负荷的时间序列是一种周期性和混沌性共存的时间训练序列。确定了时间序列后,以重庆江北区负荷为例进行短期预测,取得了良好的预测效果。     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测 ,对利用Lyapunov指数算法进行负荷预测作了介绍 ,包括用混沌理论实现相空间的重构 ,以及通过计算关联维得到最优嵌入维数的方法、计算Lya punov指数的方法和利用Lyapunov指数得到预测负荷数值的过程 ,并给出了算法的简单实现步骤。实例预测结果 ,证明了算法的有效性 ,揭示了采用混沌理论进行短期负荷预测的优越性     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.