一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector machine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法.与常规基于人工神经网络ANN(artificial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度.应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测.     

基于耦合GPR-PSO的北京地区中长期电力需求预测

建立科学合理的中长期电力需求预测方法,是电力产业科学规划建设的前提。构建了基于高斯过程(GPR)和粒子群(PSO)的混合电力需求预测模型。采用PSO算法对协方差函数中的参数进行优化,将修正后的参数作为初始值在GPR模型中进行电力需求方面的培训。在贝叶斯框架下,对协方差函数中的参数再次进行优化。用训练好的GPR模型进行电力需求预测,并将结果与自回归积分移动平均模型和指数平滑模型进行比较。验证结果表明,基于高斯过程(GPR)和粒子群(PSO)的混合电力需求预测模型具有很好的稳定性和更高的预测精度。     

电力需求预测分层后评价模型研究

针对电力需求预测具有复杂性、阶段性等特点,构建了电力需求预测后评价指标体系,并根据指标预测偏差的大小确定了评价等级;以各层指标预测准确度为基础建立的电力需求预测分层后评价模型,通过引入调整系数,兼顾了电力需求预测和滚动调整预测对电力发展的不同指导意义,并较好地解决了综合评价模型无法获得各层指标评价结果的局限性问题。以我国某地区的实际数据为基础进行实例分析,证明了该模型的有效性和实用性。     

电力需求预测分层后评价模型研究

针对电力需求预测具有复杂性、阶段性等特点,构建了电力需求预测后评价指标体系,并根据指标预测偏差的大小确定了评价等级;以各层指标预测准确度为基础建立的电力需求预测分层后评价模型,通过引入调整系数,兼顾了电力需求预测和滚动调整预测对电力发展的不同指导意义,并较好地解决了综合评价模型无法获得各层指标评价结果的局限性问题.以我国某地区的实际数据为基础进行实例分析,证明了该模型的有效性和实用性.     

基于GM-ARMA组合模型的年电力需求预测

年电力需求时间序列为既含有确定性的动态趋势又含有随机性波动的非平稳时间序列,对于平稳随机序列,自回归滑移平均(ARMA)是最成熟的统计学分析方法之一,而灰色系统理论(GM)则是一种动态趋势预测理论,将时间序列分析与灰色系统理论相结合用于年电力需求预测是一种非常有益的探索.先采用灰色建模从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立ARMA模型,将以上两个模型结合起来构成组合模型,用于预测年电力需求.应用实例证明,该方法具有容易实现,预测准确的优点,是一种有效的预测方法.     

结合误差校正的北京市中长期电力需求预测

中长期电力负荷预测是电力规划中一项战略性工作。为明晰揭示电力需求与经济社会发展的密切关系,基于GDP因素分解提出以人口、城市化、经济发展及产业结构建立电力需求非线性预测模型。由于未来一年的电力需求需要特别关注,为消除回归预测可能产生的较大误差,引入GARCH模型进行误差校正。将该方法应用于北京市中长期电力需求预测,并建立相关自变量预测模型;将所得预测结果、弹性系数法预测结果及北京市规划值进行比较,初始预测值与校正后的预测值进行比较,验证该方法具有较高可信性。该方法可为其他相关研究提供借鉴。     

基于克隆选择算法的支持向量回归实现年用电量预测

建立在统计学习理论(SLT)和结构风险最小化(SRM)准则基础上的支持向量回归(SVR)是处理小样本数据回归问题的有利工具,SVR的参数取值直接影响其学习性能和泛化能力.文中将SVR参数选取看作参数的组合优化问题,采用克隆选择算法(CSA)求解该组合优化问题进而选取SVR参数,并应用基于CSA的SVR求解年电力需求预测问题,同时与BP网络预测方法进行了对比.预测结果表明提出的预测方法不仅易于实现,而且精度较高,且性能明显优于BP网络方法.     

基于MFOA-GRNN模型的年电力负荷预测

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络(GRNN)已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法(MFOA)和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型(DE-SVM)、粒子群优化的GRNN模型(PSO-GRNN)、以及果蝇优化的GRNN模型(FOA-GRNN)的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。     

基于市场的中长期电力消费需求预测

中长期电力消费需求与市场发展密切相关,目前的电力需求预测方法对市场的关注度远远不够。文中从市场着眼,建立基于宏观经济、产业结构和终端能源结构等市场因素的电力消费需求预测模型。将经济增长构成要素分为投资、消费、出口3个方面,运用向量自回归(VAR)模型表征电力消费的时间序列与经济指标时间序列的关系。采用灰色理论常见模型GM(1,1)的精确形式DGM(1,1)模型对分产业用电量进行预测。根据马尔可夫预测无后效性的特点,建立最优化模型求取预测年份的终端能源概率。采用残差均方根来反映预测模型对历史数据的拟合程度,确定各预测方法权重,进行组合预测。文中以某省电力消费数据为实例,预测该省中长期电力需求,并通过校验证明了方法的准确性。     

EXCEL软件在电量预测中的应用

准确预测电力电量需求对电力企业经营非常重要,本文探讨了电量预测中的一元线性回归数学模型的建立过程,并对人工建模和EXCEL建模过程进行了比较,探讨EXCEL在电力需求预测中的具体应用。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

基于二维小波变换的短期负荷预测

根据电力负荷的周期性与随机性,提出了基于二维小波变换和最小二乘支持向量机的电力系统短期负荷预测方法。首先构造负荷序列二维矩阵,利用二维小波变换将负荷矩阵分解为基荷低频、每天变化的高频、每个时刻变化的高频、随机干扰四个分量,根据重构后负荷分量的特点,构造不同的最小二乘支持向量机模型进行预测;最后将预测后的数据进行叠加得到预测结果。实际预测结果表明该方法具有较高的预测精度和较强的适应能力。     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于小波分解的风电场短期功率混合预测模型

为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

电力需求的不确定性分析

电力需求预测与分析是电力系统规划与运行的基础工作。常规的电力需求预测结果一般是确定性的,忽视了预测结果本身的概率特性。引入不确定性的分析思想,实现概率化的预测和分析,对于实际工作具有重要意义。在剖析传统的电力需求分析方法的基础上,引入序列运算理论,形成一个全新的不确定性分析思路,并以电量类指标的预测为突破口,提出了序列化分析方法,可以充分考虑分析结果的概率特性,为电力系统的规划与运行提供直接的决策依据。文中以实例验证了所提出的分析方法的有效性。     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.