基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于CPSO-LSSVM的汽轮机热耗率软测量模型

为了准确建立汽轮机热耗率预测模型,提出了一种基于变空间Logistic混沌粒子群算法(CPSO)优化最小二乘支持向量机(LSSVM)的汽轮机热耗率软测量模型。采用变空间Logistic混沌搜索策略和粒子镜像越界处理策略来改善粒子群算法(PSO)的全局优化性能,提出了CPSO优化最小二乘支持向量机的超参数以改善模型预测精度,并以某600 MW汽轮机组为研究对象,利用该机组的运行数据建立CPSO-LSSVM的热耗率预测模型。结果表明:CPSO-LSSVM模型具有更高的预测精度和更强的泛化能力,能够准确有效地预测热电厂的汽轮机热耗率。     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

基于改进LSSVM的太阳辐射量预测

为准确预测太阳辐射量,提出一种基于变分模态分解和粒子群优化算法的最小二乘支持向量机组合预测模型。针对太阳辐射量序列具有不稳定性的特点,首先利用变分模态分解将历史太阳辐射量数据分解成一系列相对稳定的分量序列,再应用粒子群优化最小二乘支持向量机参数,以预测各分量序列,将各分量太阳辐射量预测值集成,从而得到最终太阳辐射量预测值。实例分析和对比研究表明,该模型预测太阳辐射量有效可行,具有较高的预测精度。研究成果可为太阳辐射量预测提供参考。     

基于支持向量机及粒子群算法的空调负荷预测方法研究及应用

以空调负荷的预测方法为研究对象，通过预测建筑物的空调负荷，及时有效地调控系统，达到降低建筑能耗的目的。基于最小二乘支持向量机（LS-SVM）提出预测方法，并采用粒子群算法（PSO）实现优化计算，围绕济南及成都地区不同类型建筑物的空调负荷进行预测，确定影响空调负荷的各个因素并在计算过程中不断调整以简化预测过程。采用Matlab语言进行编程计算和分析，通过不断调整输入因素及部分PSO参数以降低预测误差。基于支持向量机及粒子群算法的空调负荷预测模型性能较好，预测精度高。研究结果可为暖通空调系统的负荷预测提供参考，揭示空调负荷的变化特点以实现节能调控的目的。     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

摘要： 为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSO-LSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

基于万有引力搜索算法的电厂锅炉NO_x排放模型的参数优化

以某330MW煤粉汽包锅炉为测试对象,以支持向量回归机为基础,利用最小二乘支持向量机和一种新的寻优算法———万有引力搜索算法进行了综合建模及参数优化.结果表明:建立的模型较好地实现了对电厂锅炉NOx质量浓度排放量的预测;与遗传算法、蜂群算法和粒子群算法相比,万有引力搜索算法能更好地找到未知优化参数,使得所建模型具有更高的预测能力和泛化能力,从而有效控制燃煤电厂NOx的排放量.     

基于NWAPSO参数全局寻优的LS-SVM电站风机性能预测

风机的性能曲线是风机选型和优化运行的重要依据.通常该曲线通过试验试验数据和性能图表上的数据进行曲线拟合获得.由于该曲线非线性很强,传统方法复杂昂贵,而且拟合精度不高。针对以上不足,提出了一种基于非线性权重自适应粒子群优化(NWAPSO)参数全局寻优的最小二乘支持向量机(LS-SVM)风机性能预测方法。通过最小二乘支持向量机建模,并应用非线性权重自适应粒子群优化算法对模型参数进行全局寻优,得到具有较高精度的风机性能曲线。计算结果表明,根据本文方法建立的模型很简洁,只需要知道少量的训练样本就能建立,可以比较精确的预测风机性能,具有较显著的工程应用价值。     

基于NWAPSO参数全局寻优的LS—SVM电站风机性能预测

风机的性能曲线是风机选型和优化运行的重要依据．通常该曲线通过试验试验数据和性能图表上的数据进行曲线拟合获得．由于该曲线非线性很强,传统方法复杂昂贵,而且拟合精度不高。针对以上不足,提出了一种基于非线性权重自适应粒子群优化（NWAPSO）参数全局寻优的最小二乘支持向量机（LS—SVM）风机性能预测方法。通过最小二乘支持向量机建模,并应用非线性权重自适应粒子群优化算法对模型参数进行全局寻优,得到具有较高精度的风机性能曲线。计算结果表明,根据文中方法建立的模型很简洁,只需要知道少量的训练样本就能建立,可以比较精确的预测风机性能,具有较显著的工程应用价值。     

Electric load forecasting by seasonal recurrent SVR (support vector regression) with chaotic artificial bee colony algorithm

Support vector regression (SVR), with hybrid chaotic sequence and evolutionary algorithms to determine suitable values of its three parameters, not only can effectively avoid converging prematurely (i.e., trapping into a local optimum), but also reveals its superior forecasting performance. Electric load sometimes demonstrates a seasonal (cyclic) tendency due to economic activities or climate cyclic nature. The applications of SVR models to deal with seasonal (cyclic) electric load forecasting have not been widely explored. In addition, the concept of recurrent neural networks (RNNs), focused on using past information to capture detailed information, is helpful to be combined into an SVR model. This investigation presents an electric load forecasting model which combines the seasonal recurrent support vector regression model with chaotic artificial bee colony algorithm (namely SRSVRCABC) to improve the forecasting performance. The proposed SRSVRCABC employs the chaotic behavior of honey bees which is with better performance in function optimization to overcome premature local optimum. A numerical example from an existed reference is used to elucidate the forecasting performance of the proposed SRSVRCABC model. The forecasting results indicate that the proposed model yields more accurate forecasting results than ARIMA and TF-ε-SVR-SA models. Therefore, the SRSVRCABC model is a promising alternative for electric load forecasting.     

Application of chaotic ant swarm optimization in electric load forecasting

Support vector regression (SVR) had revealed strong potential in accurate electric load forecasting, particularly by employing effective evolutionary algorithms to determine suitable values of its three parameters. Based on previous research results, however, these employed evolutionary algorithms themselves have several drawbacks, such as converging prematurely, reaching slowly the global optimal solution, and trapping into a local optimum. This investigation presents an SVR-based electric load forecasting model that applied a novel algorithm, namely chaotic ant swarm optimization (CAS), to improve the forecasting performance by searching its suitable parameters combination. The proposed CAS combines with the chaotic behavior of single ant and self-organization behavior of ant colony in the foraging process to overcome premature local optimum. The empirical results indicate that the SVR model with CAS (SVRCAS) results in better forecasting performance than the other alternative methods, namely SVRCPSO (SVR with chaotic PSO), SVRCGA (SVR with chaotic GA), regression model, and ANN model.     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

Short term and medium term power distribution load forecasting by neural networks

Load forecasting is an important subject for power distribution systems and has been studied from different points of view. In general, load forecasts should be performed over a broad spectrum of time intervals, which could be classified into short term, medium term and long term forecasts. Several research groups have proposed various techniques for either short term load forecasting or medium term load forecasting or long term load forecasting. This paper presents a neural network (NN) model for short term peak load forecasting, short term total load forecasting and medium term monthly load forecasting in power distribution systems. The NN is used to learn the relationships among past, current and future temperatures and loads. The neural network was trained to recognize the peak load of the day, total load of the day and monthly electricity consumption. The suitability of the proposed approach is illustrated through an application to real load shapes from the Turkish Electricity Distribution Corporation (TEDAS) in Nigde. The data represents the daily and monthly electricity consumption in Nigde, Turkey.     

基于改进径向移动算法的含风电场电力系统优化调度

为应对风电接入对电力系统稳定运行带来的影响,考虑风电高估低估成本、阀点效应、旋转备用约束和网络损耗等常需因素,建立计及风电不确定性的通用经济调度模型。为求解此模型,提出一种改进的径向移动算法(IRMO),该算法针对基本径向移动算法易陷入局部最优解的不足,一方面结合遗传算法中种群变异的思想,在迭代过程中随机对一部分粒子进行突变,改善种群多样性,使算法能够跳出局部最优;另一方面引入凹抛物线式的惯性权值非线性递减策略,以进一步增强算法中后期的搜索精度,更易找到全局最优解。最后对含风电场的电力系统进行算例分析和算法对比,验证模型的合理性以及IRMO的优越性。     

含分布式能源区域电网月最大净负荷概率预测

负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于相似过程衍生的月径流概率预报模型研究

针对传统月径流预报模型存在的缺陷,建立了相似过程衍生法与概率预报相结合的月径流概率预报模型。运用相似过程衍生法发布确定的预报结果,在定点预报的基础上利用概率预报提供一定置信水平下的预报区间作为模型预报结果。模型结构简单、易于构建且建模过程中无需考虑预报因子的选择问题。将该模型与BP神经网络模型进行对比仿真试验,结果表明该预报模型具有较好的预报精度,且合格率高于BP神经网络模型,可在水库月径流预报中推广应用。     

改进的灰色理论在短期负荷预测中的应用

针对短期负荷预测问题,以减少预测模型复杂度和提高预测精度为目的,提出了一种改进的灰色理论预测方法,并与传统GM（1,1）方法进行了对比。仿真算例结果表明,该方法预测精度较优,具有较好鲁棒性,适用于短期负荷在线预测。