基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波变换和AWLS-SVM的短期负荷预测

提出了一种基于小波变换和自适应加权最小二乘支持向量机(AWLS-SVM)的电力系统短期负荷预测方法。针对负荷变化具有拟周期性和随机性的特点,本方法先将负荷值利用小波变换分解为几个低频段的拟周期量和一个高频段随机量,然后根据各分量特点应用AWLS-SVM模型进行预测,最后小波重构各分量获得预测结果。实例预测结果表明该方法具有较高的预测精度。     

基于MIS的中长期配电网负荷预测系统研究与实现

为了消除网络结构变化(特别是农网改造)对负荷预测的影响,提出并应用负荷转移补偿法对原始数据进行预处理.以灰色预测法为基础,组合使用二阶自适应系数法进行预测,以提高配电网规划负荷预测准确性.在县级电力局管理信息系统的建设中,开发了负荷预测系统,提高了工作效率.     

一种基于HHT的短期负荷组合预测方法

提出了一种希尔伯特-黄变换和自适应加权最小二乘支持向量机相结合的短期电力负荷预测方法。先利用HHT中的经验模态分解,将负荷值分解为几个低频段的拟周期量和1个高频段随机量,然后根据各分量瞬时频率特点选择最佳的AWLS-SVM模型预测,最后将各分量预测数据叠加。实例预测结果表明,该方法具有较高的预测精度。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于负荷规律性分析的支持向量机短期负荷预测方法

提出了一种基于傅里叶分析的支持向量机的电力系统短期负荷预测方法。利用离散傅里叶变换的方法将历史负荷数据分解为不同频域上的分量,将不同频域上的分量依据负荷的成因及其特性组合成四种不同性质的负荷分量,对上述各分量选择不同的预测模型,对于受温度等影响较大的负荷分量,构造支持向量机模型进行预测。实例计算表明该方法是可行和有效的。     

基于模糊支持向量机的电力系统中期负荷预测

考虑到气温因素对电力系统负荷的影响,提出了一种模糊支持向量机(FSVM)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。首先利用隶属度函数对影响负荷的气温因素进行模糊化处理,然后结合已知数据得到支持向量机(SVM)的训练样本集,采用序列极小优化(SMO)算法实现对支持向量机(SVM)的快速训练,最终得到预测结果,并与不将气温模糊化的仿真结果进行比较,表明本文所提方法简便且预测精度较高。     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于序列最小化算法的周负荷预测研究

周负荷预测具有周规律性,对编制发供电计划有重要意义。运用序列最小化算法（SMO）求解支持向量机,既能发挥支持向量机的优势,又能简化问题,缩短运行时间。通过山西省某变电站的实例分析,得到序列最小化算法适用于求解周负荷预测,且精度较高。     

Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents

According to the chaotic and non-linear characters of power load data, the time series matrix is established with the theory of phase-space reconstruction, and then Lyapunov exponents with chaotic time series are computed to determine the time delay and the embedding dimension. Due to different features of the data, data mining algorithm is conducted to classify the data into different groups. Redundant information is eliminated by the advantage of data mining technology, and the historical loads that have highly similar features with the forecasting day are searched by the system. As a result, the training data can be decreased and the computing speed can also be improved when constructing support vector machine (SVM) model. Then, SVM algorithm is used to predict power load with parameters that get in pretreatment. In order to prove the effectiveness of the new model, the calculation with data mining SVM algorithm is compared with that of single SVM and back propagation network. It can be seen that the new DSVM algorithm effectively improves the forecast accuracy by 0.75%, 1.10% and 1.73% compared with SVM for two random dimensions of 11-dimension, 14-dimension and BP network, respectively. This indicates that the DSVM gains perfect improvement effect in the short-term power load forecasting.     

基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。     

分层考虑气象因素的PSO-SVM短期负荷预测方法

气象敏感负荷在总负荷中所占比重日益增大,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响。利用经验模式分解方法自适应地将负荷序列分解为若干个独立的内在模式分量,采用Spearm an秩相关系数分析各负荷分量与气象因素间的关系,根据影响程度的不同分层建立粒子群算法优化参数的支持向量机模型,最后对各个分量预测的结果相加得到最终预测结果。实例研究表明,该方法具有较高的预测精度和较强的推广能力。     

基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测

钢铁企业电力负荷作为电力负荷的重要组成部分,钢铁电力负荷的准确预测对于提高电力负荷预测精度具有重要意义。为了实现钢铁电力负荷的中长期预测,本文选取了经济因素和社会因素作为自变量,引入带有惯性权重的粒子群算法(WPSO)对传统的最小二乘支持向量机智能预测模型(LSSVM)参数进行优化,并利用某地区钢铁电力负荷样本数据进行验证,拟合结果显示,经过粒子群算法优化后的最小二乘智能向量机算法预测精度更高,收敛速度更快,具有良好的推广性和适应性。     

基于小波提取特征的SVM目标识别

基于小波变换提出了一种特征提取及特征选择的方法.通过对小波系数绝对值化,减小了特征的分布范围;对小波进行自适应的过滤提取了目标的主要特征,增加了特征的聚类程度.本文通过SVM分类器对该方法进行验证并与其他方法比较.实验证明该方法有效的提高了目标的识别率,降低了误识别率.     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。     

电力负荷综合预测方法的研究

提出用自适应进化规划方法进行电力负荷综合预测，引入了优化综合模型，同时采用某地用电量进行预测分析．对进化规划的变异操作、适应度计算及竞争选择方案进行了研究．结果表明，该方法具有全局寻优、自适应性强、通用性好等优点，预测精度有了很大的提高．     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.     

贝叶斯框架下最小二乘支持向量机的中长期电力负荷组合预测

影响中长期负荷变化的因素较多,单一预测模型很难满足预测需要,组合预测能够较好地解决单一模型的缺点,借鉴单一预测模型的优点。提出贝叶斯框架下最小二乘支持向量机(LS-SVM)中长期负荷组合预测模型,利用结构化风险原则代替经验风险最小化,挖掘各单一预测模型的信息,以单一模型的预测数作为组合预测输入样本,通过贝叶斯后验理论确定最小二乘支持向量机参数,建立组合预测模型进行预测。通过算例表明,提出的模型具有较高的预测精度,能够较好地解决小样本下的预测问题,具有良好的泛化能力和预测精度。