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。     

利用模糊信息粒化与支持向量机的空间负荷预测方法

若直接使用实测负荷数据最大值进行空间负荷预测,则元胞负荷中的异常数据会导致预测结果精度降低,考虑到通过确定并利用元胞负荷合理最大值可以明显改善预测精度,提出一种基于模糊信息粒化与支持向量机的空间负荷预测方法。首先构建电力地理信息系统,并在其中生成2类元胞。其次按照时间尺度的长短区分Ⅰ类元胞负荷颗粒度的粗细,通过划分模糊粒化窗口,建立合理的模糊集对Ⅰ类元胞细颗粒度下的历史负荷数据进行模糊信息粒化,进而确定出Ⅰ类元胞粗颗粒度下的历史负荷的合理最大值。然后采用支持向量机模型,对粗颗粒度下的Ⅰ类元胞负荷进行预测。最后确定Ⅰ类元胞负荷密度均衡系数,求取分类负荷密度指标,结合用地信息求得各Ⅱ类元胞负荷预测值,从而实现对空间电力负荷预测结果的网格化。工程实例表明了该方法的实用性和有效性。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

基于K-means聚类的小波支持向量机配电网短期负荷预测及应用

配电主站因量测能力不足制约着潮流计算、负荷转供等应用功能的工程实用化水平。在智能配用电大数据环境下,针对配电网负荷波动性和随机性大的特点,提出K-means聚类和小波—支持向量机相结合的配电网短期负荷预测方法。通过横向聚类分析提取日负荷典型特征曲线,补全历史缺失数据;通过纵向聚类分析对历史相似日归类,挖掘外部环境因素对负荷的影响。采用小波变换将历史数据分解到不同的尺度上,结合聚类结果形成各分支训练样本进行支持向量机预测,各分支预测结果叠加生成最终预测结果。基于配电变压器负荷预测的结果对负荷转供方案进行安全校验,为线路检修计划提供指导。     

基于预测可信度的多级协调空间负荷预测方法

提出了一种基于负荷预测可信度的多级协调SLF方法。该方法首先确定了元胞历史负荷数据的评价指标,并运用灰色关联度理论,计算出各元胞的负荷预测可信度。然后建立空间电力负荷多级协调模型,并将元胞负荷预测可信度应用到多级协调模型中,最后利用该模型调整元胞目标年的预测值。空间电力负荷多级协调模型以不同层级负荷之间的关系为基础,在一定程度上能够消除上下级电网的预测结果之间出现的不均衡、不协调的现象,从而提高了空间负荷预测结果的准确性,为进一步的电网规划打下了坚实的基础。选取了指数平滑作为预测方法,并对预测结果采用空间电力负荷多级协调模型进行优化调整,调整结果表明空间电力负荷多级协调模型具有实用性和有效性。     

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测

针对现有空间电力负荷预测方法没有考虑待预测区域内各供电小区之间的负荷相互影响关系的情况,提出一种考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测方法,主要适用于城市电网规划年负荷预测.首先,利用变异系数建立本位元胞接受负荷影响的量化模型,来反映本位元胞对相邻元胞负荷影响的接受能力;其次,考虑待预测区域内各元胞之间的距离因素和用电负荷相似性因素生成空间复合权重矩阵,并利用空间卷积建立相邻元胞产生负荷影响的量化模型,来反映相邻元胞对本位元胞产生的负荷影响;然后,综合考虑本位元胞接受负荷影响的能力和相邻元胞产生负荷影响的共同作用,构建空间电力负荷预测模型;最后,通过工程实例分析验证了所提方法及模型的正确性和有效性.     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...     

基于GRA-LSSVM的配电网空间负荷预测方法研究

针对配电网空间负荷预测实际应用中容易存在可用信息和数据散杂且经常匮乏的问题,提出了一种基于最小二乘支持向量机的新型配电网空间负荷密度预测算法,以解决预测方法中样本有限、不易识别等问题。同时引入灰色关联分析改善最小二乘支持向量机的样本筛选,并采用混沌粒子群算法完善最小二乘支持向量机的参数选择,提高算法的空间负荷密度预测的精度。在介绍算法原理基础上,详细设计了配电网空间负荷预测方法的实现流程。对该算法的性能进行实例分析表明,所提方法可以有效地提高负荷密度预测的精度。     

基于即时学习算法的短期负荷预测方法

针对电力系统短期负荷数据存在非线性和时变性等问题,提出了一种变量相关性局部即时学习算法和最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型。利用互信息计算气象数据、各气象因素等变量的相关度,并引入到即时学习算法训练集中,用以选择当前电力系统负荷的建模邻域,提高系统短期负荷模型预测的精度。利用相似度阈值对局部模型进行自适应更新,增强系统负荷模型实时性。利用Matlab对某市宛城区的负荷量进行预测,结果表明,基于即时学习算法的电力系统短期负荷预测模型误差更小,系统预测精度更高。     

空间负荷预测在城市电网规划中的应用

为解决不确定性因素对城市电网负荷预测结果的不利影响,该文用空间负荷预测方法对城区电网进行负荷预测,预测得到的负荷大小和地理位置分布与实际情况偏差较小,取得了预期的效果。     

基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。     

实现影响因素多源异构融合的短期负荷预测支持向量机算法

针对智能电网大数据环境下,导致电力系统负荷波动的诸多因素存在多源异构性的问题,利用多核函数来对其多源异构特性进行差异化处理和融合,能够描述影响因素的内在分布特性并应对其变化,提高负荷预测精度。选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9个属性作为多源异构影响因素,利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成,采用双层多核学习算法,建立了并行化多核支持向量机(SVM)负荷预测算法流程,并在Hadoop集群上进行了仿真验证。仿真结果表明,多核SVM比单核SVM预测平均相对误差小,双层多核学习、基于lp范数的多核SVM模型预测精度最高。因此,多核SVM能有效处理负荷预测中的多源异构数据,经并行化处理后,能提高负荷预测的速度与精度。     

基于机器学习与疫情关联特征的短期负荷预测

准确的电力负荷预测是电力系统正常运转的重要保障。针对新冠疫情期间负荷需求波动大、历史参考负荷难以建模等问题,提出了一种基于机器学习与静默指数、滚动焦虑指数的短期负荷预测方法。首先,利用谷歌流动性数据和疫情数据构建出静默指数、滚动焦虑指数来量化经济、疫情的发展对电力负荷造成的影响。然后,采用最大信息系数分析疫情期间电力负荷的强相关因素并引入疫情负荷关联特征。最后,将气象数据、历史负荷以及构建的疫情关联特征合并作为预测模型的输入变量,通过多种机器学习模型进行预测算例分析。结果表明,引入疫情关联特征的负荷预测模型能够有效地提高疫情期间负荷预测的准确性。     

基于负荷细分与SVM技术的电力负荷空间分布预测

提出了一种新颖的电力空间负荷分布预测模型,该方法首先对各类负荷的影响因素进行分析并分别建模预测;而后将选定区域划分成等面积小区,利用主成分分析法对小区空间信息进行处理,从而形成支持向量机的训练样本集;在此基础上用训练好的支持向量机计算待预测区域小区的属性值,并按照各类用地类型排序.根据预测结果,结合待预测区域的整体发展规划,给出待预测区域各类负荷增量;最后,结合各类负荷密度预测值、各类用地发展总量、各类用地发展排序,给出空间负荷预测值.实例验证了本文方法的有效性.     

基于支持向量机和互联网信息修正的空间负荷预测方法

为提高电网规划阶段的空间负荷预测精度,提出了一种基于支持向量机和互联网信息修正的空间负荷预测（spatial load forecasting,SLF）方法,该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值;二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差;三是针对这些偏差,利用搜索引擎获取互联网信息,识别造成偏差的不确定事件,包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响,并建立这两类事件与其造成的影响之间的分类事件影响定量模型,基于该模型对地块负荷初始预测值进行修正,得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证,结果表明该方法可以提高预测精度,可用于配电网以及能源互联网规划中的空间负荷预测。     

含有历史不良数据的电力负荷预测研究

传统负荷预测算法在历史负荷序列无不良数据的条件下已能对短期负荷做出较为理想的预测。由于实际负荷数据在监测、集抄、存储过程中难免会产生错误或有所误差,此时仍依靠传统预测算法进行负荷预测,可能在某些时间节点会引起较大误差。为了解决此问题,提出含有历史负荷序列不良数据辨识与修正能力且能对负荷进行相似度预测及负荷偏差纠正的预测模型。通过运用实际电力负荷数据进行验证,该模型能较好地避免了不良数据的干扰,有效地提高了含有不良数据的历史负荷序列的预测精度。