基于PSO-LSSVM的短期电力负荷预测

提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性。     

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。     

考虑经济发展趋势的中长期电力负荷SALSSVM预测

准确的中长期电力负荷预测对电力系统的合理规划具有重要作用.考虑了经济发展趋势,提出了一种应用模拟退火算法(sA)优化最小二乘支持向量机(LSSVM)的中长期负荷预测新方法(SALSSVM).首先将反映经济发展趋势的指标和历史负荷数据作为输入变量;其次运用SA优化选择用于负荷预测的LSSVM模型最优参数值;最后将该方法与未考虑经济发展趋势或未经SA优化的LSSVM预测方法进行对比.实例验证结果表明,考虑经济发展趋势并经SA优化的LSSVM模型具有更高的预测精度.该方法是有效可行的.     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

基于果蝇参数优化的LSSVM短期负荷预测

为了提高电力系统短期负荷预测的精度,针对负荷影响因素的非线性特性,采用最小二乘支持向量机(LSSVM)建立短期负荷预测模型;针对传统LSSVM在负荷预测中存在的参数优选难题,给出了果蝇参数优化算法来优选LSSVM的惩罚参数C和核函数参数σ。通过对浙江省某地区2014-6-1至2014-6-29每天24点的负荷数据进行分析,对2014-6-30日各整点负荷进行预测,仿真结果表明,与传统的LSSVM和参数优化算法相比,基于果蝇优化算法的LSSVM短期负荷预测具有更高的精度。     

基于离网型风电的海水淡化系统建模方法

风力发电与反渗透海水淡化相结合是海水淡化发展的新思路。根据传统方法设计的海水淡化系统只能在电源稳定的情况下定负荷运行,无法根据能源供给情况进行系统设计。鉴于此,提出了一种基于风电的反渗透海水淡化建模方法。该方法建立了反渗透海水淡化渗透模型,可根据能源供给情况进行海水淡化系统运行参数的计算。在相同工况下,通过与传统设计方法的计算结果进行对比,本文方法计算精度与其相当,可用于风电海水淡化系统设计。     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

基于层次聚类算法与ISA-LSSVM的短期负荷预测研究

针对不同类型用户的短期负荷预测,目前应用较为广泛的为支持向量机与深度学习模型。针对最小二乘支持向量机（least squares support vector machine,LSSVM）模型中超参数难以确定、模型对数据质量要求较高等问题,而集成常规优化算法又会有寻优速度慢、易陷入局部最优等问题,提出了一种混合模型。首先使用层次聚类（hierarchical clustering,HC）对原始特征数据进行聚类进而为同一类预测日建立对应LSSVM 模型,再通过改进的模拟退火算法（improved simulateanneal,ISA）对 LSSVM 中的超参数进行启发式搜索。最后通过对广东省佛山市某行业用户用电负荷进行负荷预测,与各种负荷预测模型性能进行对比,结果证明所提模型可有效提高负荷预测精度、缩短预测时间。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法.采用最小二乘支持向量回归方法(LSSVM)进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果.经算例分析证明,所提方法能显著提高预测精度.     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。     

基于气温累积效应和灰色关联度的短期负荷预测研究

气象因素是短期负荷预测重要的影响因素。为提高预测精度,研究了一种基于气温累积效应和灰色关联度的支持向量机拓展算法——最小二乘支持向量机(least squares support vector machine,LSSVM)。通过相关性分析得到与日平均负荷相关程度较大的气象因素。在此基础上,结合气温累积效应采用灰色关联方法对历史日进行分析,选取与待预测日关联度较大的历史日作为相似日,并对LSSVM模型进行训练和预测。实际应用表明,使用所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于LSSVM和混沌理论改进人工蜂群优化算法的GIS母线接头温度预测*

GIS母线接头过热已成为典型的过热性故障,为实现GIS母线接头温度的准确预测,在研究最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)算法的基础上,引入混沌理论改进的人工蜂群算法对LSSVM的参数进行优化,建立了一种基于参数优化LSSVM的GIS母线接头温度预测模型。通过GIS母线温度物理模拟实验,将实验所获得的负荷电流、GIS母线筒外壳测点温度及环境温度作为输入量,GIS母线接头温度作为输出量,对该模型进行了训练。结果表明,该模型的预测误差仅为0. 193%,优于ABC-LSSVM、LSSVM和RBF神经网络。提出的温度预测模型可实现母线接头温度的精确预测,为防止GIS母线接头过热性故障的研究奠定了基础。     

基于主成分分析合作博弈的电网负荷智能预测方法研究

针对传统预测方法存在预测不准确、误差大的问题,提出一种基于主成分分析合作博弈的电网负荷智能预测方法。基于多分辨分析理论构建电网负荷预测参数模型,通过IGOA优化LSSVM的惩罚因子C和核函数参数δ2,得到更优的电网负荷参数;引入主成分分析合作博弈方法进行电网负荷智能预测。实验显示,采用该方法对数据进行拟合的图像更接近真实图像曲线,说明预测精度高,且误差较小,具有一定的优越性。     

基于灰色关联度与 LSSVM 组合的月度负荷预测

由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果.针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM 组合的月度负荷预测方法.该方法通过计算灰色关联度来选择训练样本,选取 LSSVM 进行样本训练;将与待预测月高度相似的历史月负荷作为 LSSVM 的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度.通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度.     

基于变分模态分解和改进粒子群算法优化最小二乘支持向量机的短期电价预测

针对电价序列具有非线性强、波动性大的特点,提出一种基于变分模态分解(VMD)和改进粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)的短期电价预测模型.首先利用VMD将原始电价数据分解为多个子序列,然后采取LSSVM模型分别对子序列进行预测.对于LSSVM预测模型的最优参数选择问题,利用改进的PSO优化LSSVM模型的参数,能够很好地提高模型预测精度.最后集成各子序列预测结果,获得最终电价预测值.为了验证所提模型的有效性,以美国PJM市场电价数据为例进行分析,并与其他预测模型进行对比,结果表明,所提模型能够很好地对短期电价进行预测.     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

基于改进鸟群算法优化最小二乘支持向量机的锂离子电池寿命预测方法研究

随着锂离子电池的广泛应用,其寿命预测与健康管理已成为当今的热点问题。锂离子电池寿命预测对于电池管理系统的稳定运行有着重要意义。采用最小二乘支持向量机(LSSVM)模型对锂离子电池剩余寿命进行预测,并采用鸟群优化算法(BSA)对LSSVM参数进行寻优。为提高BSA的全局搜索能力,对BSA进行改进,并提出改进鸟群算法(IBSA)。最后,采用IBSA优化LSSVM模型,建立了IBSA-LSSVM预测模型并对锂离子电池剩余寿命进行预测。测试结果表明,IBSA-LSSVM模型对锂离子电池剩余寿命有良好的预测效果和预测稳定性。     

基于最小二乘支持向量机的改进型在线NO_x预测模型

本文提出了一种基于预测误差的在线更新最小二乘支持向量机(LSSVM)的NOx预测模型。LSSVM模型以预测精度作为在线更新的目标,在保证预测精度的前提下,选取影响NO_x排放的输入参数,模型输入数据的更新由总体误差决定,并由个体样本的误差指导数据选取,克服了原在线更新LSSVM模型中的单步更新计算量随时间增加、更新算法参数选取困难等问题。利用模拟实验和电厂分布式控制系统(DCS)实际数据对本文提出算法模型和原算法模型进行仿真,结果表明本文提出模型预测精度和计算速度均能够达到现场运用的要求。与原算法模型相比,在保持相同精度的前提下,计算速度是原算法模型的3.24倍,使用方法更简单,更适合现场使用。