短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM)，与采用经验风险最小化原则（ERM)的传统神经网络方法相比，具有更好的泛化性能和精度，减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题。为了提高负荷预测精度，文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验，结果证明了其在短期负荷预测中的有效性。     

基于免疫支持向量机方法的电力系统短期负荷预测

在对支持向量机(Support Vector Machines,SVM)方法的参数性能进行分析的基础上,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于免疫加权支持向量机方法的短期负荷预测

在对支持向量机（SVM）方法进行分析的基础上，提出了一种免疫加权支持向量机（IWSVM）方法来预测电力系统短期负荷。其中根据各样本重要性的不同，引入了加权支持向量机方法，然后利用免疫规划算法对其进行参数优化。免疫规划算法利用浓度和个体多样性保持机制进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多样性。电力系统短期负荷预测的实际算例表明，与支持向量机方法相比，所提免疫加权支持向量机方法具有更高的预测精度。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support Vector Machine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Particle Swarm Optimization)优化参数的SVM短期电力负荷预测模型.PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力.用所建立的负荷预测模型编制的Matlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高.     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

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。     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法.运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测.实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性.     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法。运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测。实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性。     

最小二乘支持向量机短期负荷预测研究

电力系统短期负荷预测是一项非常重要的工作,准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义.随着电力系统的日趋复杂化,特别是电力市场的逐步深入,短期负荷预测被赋予了更高的要求.提出了基于负荷日周期性进行前后向外推的数据预处理新方法,为短期负荷预测模型利用这些历史数据奠定了基础.最小二乘支持向量机是新一代机器学习方法,将其应用于电力系统短期负荷预测,在充分利用日周期性和同时刻负荷相近性的基础上,提出了基于最小二乘支持向量机回归算法(LSSVR)的短期负荷预测点模型.该模型通过采用不同天同时刻的负荷样本训练LSSVR来获取负荷的最优线性回归函数,实现了在最小化负荷样本点误差的同时,缩小模型泛化误差的上界,获取了较好的负荷预测性能.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

基于确定性退火方法的短期负荷预测

首次将确定性退火方法用于短期负荷预测领域。该方法利用分片回归模型逼近预测函数,并通过引入“熵函数”限制模型规模。其优点是模型简洁灵活、预测能力强并具有良好的全局最优性能,从而克服了目前正 在使用的前向网、径向基函数网、分类回归树及多重自适应样条和模糊逻辑方法分别欠灵活且易于陷入局部极值点的缺陷。实际算例表明,对于短期负荷预测问题,确定性退火方法的预测精度高于前向网和径向基函数网等方法。     

基于支持向量机的船舶电力负荷预测

船舶电力系统是一个独立的电力系统，需要根据准确的负荷预测来控制多台发电机组的运行。本文提出了一种基于支持向量机的船舶电力负荷短期预测方法。对某大型集装箱船舶在不同工况下的电力负荷数据，分别用基于径向基核函数的支持向量机方法、多层BP网络和RBF网络方法进行训练和预测计算，仿真结果表明支持向量机具有更高的预测精度，是船舶电力负荷预测的一种有效方法。     

基于遗传算法的短期负荷组合预测模型

给出电力系统短期负荷的固定权系数组合预测模型－－基于遗传算法的组合预测模型。为增加样本的多样性、避免陷入局部极小,中对遗传算法每代的相同或相近个体作等适应值变换,改进后的遗传算法具有更好的全局优化特性。利用改进的遗传算法确定组合预测模型的权系数,然后进行负荷预测。计算结果表明,该方法是实用和有效的。     

电力系统短期负荷预报的小波-神经网络-PARIMA方法

针对电力系统负荷具有拟周期性，非平稳性，非线性等特点，提出一种小波－神经网络－PARIMA模型并研究它在电力系统短期负荷预报中的应用：利用小波变换提取和分离负荷的各种隐周期和非线性，把小波分解的特性和分解数据随尺度倍增而倍减的规律用于感知机神经网络（MLP）和周期自回归移动模型（PARIMA）的建模，各尺度小波分解用MLP进行建模和预报，最大尺度上的尺度分解用PARIMA进行建模和预报。最后，利用径向基函数网络（RBF）将各尺度域的预报结果组合成为负荷最终预报，实例说明，该方法能够揭示负荷的拟周期性，非平稳性，非线性在电力系统短期负荷预报中的应用是成功的和有效的。     

应用函数联接网络预测电力系统短期负荷

采用函数联接的神经网络进行电力系统的短期负荷预测。将输入模式映射到维数更高的模式 空间，使在原空间中不可分的问题，在更高的空间中成为可分，从而只须采用无隐含层的平 面网络即可进行电力系统负荷预测。实测结果表明该方法可行。     

短期负荷预测的综合模型

进行实际短期负荷预测时,对某个固定的地区,用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析,提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理,这个新型以待预测民历史日绵最佳匹配为原则,通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化,可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明,综合模型的预测结果优于各种单一方法的预测     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。