基于相空间重构和LSSVM的短期风速预测

为了提高短期风速预测精度,提出了一种基于最小二乘支持向量机的短期风速预测方法.首先采用复自相关法和互信息法计算延迟时间,采用伪最邻近点法和 Cao式法计算嵌入维数,使延迟时间和嵌入维数取值更合理.其次运用小数据量法计算混沌时间序列的最大 Lyapunov指数,G-P算法计算时间序列的关联维数,用以证明风速序列为混沌时间序列并确定支持向量.然后采用扩展记忆粒子群对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立 PSOEM-LSSVM 的短期风速预测模型.最后与其他几种风速预测模型对比,仿真结果表     

短期负荷预测"负荷趋势加混沌"法的参数优化

在"负荷趋势加混沌"短期负荷预测法中,将原始负荷序列拆分成"负荷趋势"和"混沌"两部分,其中负荷趋势是可以准确预测的多周期行为,混沌子序列可以用相空间重构的线性回归法预测.以多元回归分析和矩阵计算的奇异性理论为基础,优化了混沌子序列预测中的三个参数.首先根据取样序列的"平稳性"及避免矩阵计算的"奇异性",选取合适的延时时间;然后根据混沌子序列功率谱上的峰值选取嵌入窗长,并由此确定嵌入空间维数;最后选取邻近矢量的数目为嵌入空间维数的3倍以上.     

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。     

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。     

高嵌入维混沌负荷序列预测方法研究

现有的采用欧氏距离确定相空间最邻近点的混沌预测方法对高维混沌时间序列预测的效果不太理想,因而提出以关联度代替欧氏距离来确定相空间最邻近点的思想,同时发展了一种改善高嵌入维重构空间全局Lyapunov指数谱性状的方法.通过对短期电力负荷序列的预测,验证了当嵌入维数逐渐增大时,所提方法比现有的方法在预测精度方面有明显的提高.     

短期负荷预测"双周期加混沌"法中的多步法与气象因子的使用

短期负荷预测的"双周期加混沌"法是基于负荷记录数学性质的预测方法.为了进一步提高其预测精度而提出的三项改进为:(1)通过数值测试,优化了混沌子序列线性回归预测中三个参数,即嵌入空间维数、延时时间,和选择邻近矢量时采用的距离;(2)为了降低误差积累,采用了直接从邻近矢量回归出连续多个预测点的方法,并且采用离参考矢量最近的若干邻近矢量进行回归;(3)在选择直接多步法中的相空间邻近矢量时,考虑了与各负荷值相对应的当天气象因子.将改进后的双周期加混沌法用于负荷预测实例,结果表明预测精度有显著提高.     

ACPSO-WFLN算法在短期风电功率预测中的应用

针对传统小波神经网络初始参数设定困难、容易陷入局部极值的问题,提出一种基于自适应混沌粒子群算法(ACPSO)优化的小波链神经网络(WFLN)。首先,将小波神经网络与随机矢量函数连接网络相融合,构建小波链神经网络,加强网络并行运算能力;其次,在粒子群算法中引入混沌优化因子与自适应权重系数,改善粒子群的早熟收敛问题,实现全局与局部寻优能力的动态平衡;最后,利用ACPSO算法优化WFLN神经网络,建立短期风电功率预测模型。实验结果表明:ACPSO-WFLN风电功率预测模型较其它网络明显减少隐层神经元数目与迭代步数,具有较高的预测精度。     

负荷预测的混沌相空间二阶多项式回归法及其参数优化

在混沌相空间重构的短期负荷预测方法中，采用二阶多项式回归法，与现有的线性法相比，不仅提高了预测精度，而且极大地消除了12h周期性的误差增大现象。通过大量的数值测试，发现为得到较高的预测精度，相空问重构的3个参数应满足：(1)为保证在每个预测点都能正常地预测，应选取比二阶多项式系数大些的“邻近矢量”个数。这是对依据距离选择相空间“邻近矢量”方法的改进。(2)嵌入相空间的维数应该适当大些。通常应该高于嵌入定理给出的数值。(3)优选的延时时间，还需要进一步研究。     

基于舒适度的多变量混沌短期负荷预测

针对电力短期负荷预测精度较低的问题,在多变量混沌短期负荷预测基础上,选取负荷时间序列和人体舒适度指数时间序列作为变量,分析人体舒适度指数对负荷的影响,提出一种基于人体舒适度的多变量混沌短期负荷预测方法,采用互信息法求取延迟时间,再由延迟时间求得嵌入维数,最后进行相空间重构,重构好的混沌序列作为径向基神经网络的输入,由此求得预测负荷值,并与基于温度的多变量混沌负荷预测相比较,通过计算实例,验证了基于人体舒适度指数的负荷预测优于基于温度的负荷预测。     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值。     

电力短期负荷的多变量时间序列预测方法研究

在混沌理论中,负荷预测模型的建立通常由一单变量时间序列的相空间重构来实现,然而在实际过程中往往难以确定单变量时间序列是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时。因此,本文将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了局域线性预测模型。预测结果检验显示,该方法具有较好的预测效果。     

非线性心音时间序列的最大Lyapunov指数

许多关于心脏运动的研究表明,心脏运动中的确存在着混沌现象。以非线性时间序列最大Lyapunov指数的计算为主线,分别使用相空间重构技术、C-C方法的延迟时间和嵌入维数估计、Wolf法最大Lyapunov指数计算,提出了用均值优化最大Lyapunov指数的方法,并针对正常心音、二尖瓣不全、心音分裂和主动脉收缩异常等4种心音信号的最大Lyapunov指数进行计算和分析。结果表明,这些心音信号中都存在混沌现象。其中,正常心音信号最大Lyapunov指数值最大,其他3个较小,说明正常的心脏运动的混沌程度要比异常时的混沌程度高。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,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b 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。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想，提出了一种电力短期负荷的多变量时间序列相空间重构方案，同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择，最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度，提出了最近邻域点的优化选择方法，建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明，基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比，具有较强的自适应能力和较好的预测效果。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。