SCE-UA支持向量機的短期電力負荷預(yù)測模型研究

偏最小二乘(pls)運算降低電力負荷數(shù)據(jù)之間的相關(guān)性,最小二乘支持向量機(ls-svm)可以獲得模型的全局最優(yōu)預(yù)測效果,減少預(yù)測過程的運算量。介紹了pls和ls-svm的基本原理,給出了pls-ls-svm建立短期日電力負荷預(yù)測模型的過程,并用于某地區(qū)2008年的用電日負荷預(yù)測,預(yù)測的平均相對誤差和最大相對誤差分別為0.685%和8.8599%。與基于ar(1)模型的預(yù)測結(jié)果相比,pls-ls-svm模型更高的預(yù)測準確性可為短期電力負荷預(yù)測提供有效依據(jù)。

文章分析了影響電力負荷的因素,對現(xiàn)存的短期電力負荷預(yù)測方法進行了研究,采用粒子群算法對支持向量機進行參數(shù)尋優(yōu),建立了基于粒子群優(yōu)化的預(yù)測模型,并對短期電力負荷進行預(yù)測仿真,為精準且快速地預(yù)測短期電力負荷提供了有效的方法。通過實例分析驗證了該模型在電力負荷中的預(yù)測精度,結(jié)果顯示其精度值較高。

根據(jù)電力負荷序列的混沌特性,提出混沌理論和蟻群優(yōu)化支持向量機結(jié)合的電力系統(tǒng)短期負荷預(yù)測新方法,以相空間重構(gòu)理論確定支持向量機的輸入量個數(shù);訓練樣本集由對應(yīng)預(yù)測相點的最近鄰相點集構(gòu)成,且是按預(yù)測相點步進動態(tài)相軌跡生成;采用蟻群優(yōu)化算法對支持向量機敏感參數(shù)進行優(yōu)化,從而可增強預(yù)測模型對混沌動力學的聯(lián)想和泛化推理能力,提高負荷預(yù)測的精度和提高預(yù)測穩(wěn)定性。對某地區(qū)負荷系統(tǒng)日、周預(yù)測仿真測試,證明其可獲得穩(wěn)定的較高預(yù)測精度。

提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負荷智能組合預(yù)測方法。在考慮負荷日周期性的基礎(chǔ)上,通過對歷史負荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負荷數(shù)據(jù)序列,并對每個歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進行負荷預(yù)測;采用最小二乘支持向量機回歸算法對不同灰色模型的預(yù)測結(jié)果進行非線性組合,以獲取最終預(yù)測值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運算方便等優(yōu)勢的基礎(chǔ)上,結(jié)合最小二乘支持向量機所具有的泛化能力強、非線性擬合性好、小樣本等特性,提高了預(yù)測精度。仿真結(jié)果驗證了所提出組合方法的有效性和實用性。

負荷預(yù)測是電力系統(tǒng)研究和電網(wǎng)規(guī)劃的重要組成部分。采用隱馬爾可夫模型,訓練過程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進行訓練,得到負荷特性預(yù)測最優(yōu)模型,解碼預(yù)測過程采用viterbi算法,通過模型可預(yù)測下一年地區(qū)負荷特性。以廣東電網(wǎng)2011年至2016年負荷數(shù)據(jù)作為訓練數(shù)據(jù)對隱馬爾可夫模型進行訓練,并對2017年廣東典型日負荷率進行預(yù)測,仿真結(jié)果具有較優(yōu)的準確性和計算效率。

針對最小二乘支持向量機在電力負荷預(yù)測應(yīng)用中的參數(shù)優(yōu)化問題,將改進粒子群算法引入到最小二乘支持向量機參數(shù)中,建立一種新型的電力負荷預(yù)測模型(ipso-lssvm)。首先將最小二乘支持向量機參數(shù)編碼為粒子初始位置向量;然后通過粒子個體之間的信息交流、協(xié)作找到最小二乘支持向量機的最優(yōu)參數(shù),并針對標準粒子群算法的不足進行相應(yīng)改進;最后將其應(yīng)用于電力負荷建模與預(yù)測,并通過仿真對比實驗測試其性能。實驗結(jié)果表明,ipso-lssvm可以獲得較高準確度的電力負荷預(yù)測結(jié)果,大幅度減少了訓練時間,滿足電力負荷在線預(yù)測要求。

提出了一種基于云模型的電力負荷預(yù)測模型.利用云模型中的云發(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù).以國民生產(chǎn)總值為例,建立國民生產(chǎn)總值與電力負荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器.利用云規(guī)則推理器獲得電力負荷預(yù)測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負荷預(yù)測增長率進行加權(quán)平均,并換算得到最終的電力負荷預(yù)測值,獲得的預(yù)測結(jié)果精度高.

針對小樣本數(shù)據(jù),提出基于gm(1,1)模型進行電力負荷預(yù)測模型,并通過實例表明該模型在電力負荷預(yù)測中的可行性;開發(fā)了基于gm(1,1)模型的電力負荷預(yù)測系統(tǒng),實現(xiàn)了在實際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預(yù)測功能。

提出了一種基于云模型的電力負荷預(yù)測模型。利用云模型中的云發(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù)。以國民生產(chǎn)總值為例,建立國民生產(chǎn)總值與電力負荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負荷預(yù)測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負荷預(yù)測增長率進行加權(quán)平均,并換算得到最終的電力負荷預(yù)測值,獲得的預(yù)測結(jié)果精度高。

隨著我國經(jīng)濟建設(shè)的不斷發(fā)展，社會用電量不斷增長，電廠和電網(wǎng)規(guī)模不斷擴大，這就對電力部門的安全、經(jīng)濟運行提出了更高要求。負荷預(yù)測是電力市場技術(shù)支持系統(tǒng)的一個重要組成模塊，尤其是短期電力負荷預(yù)測方法易受隨機因素的干擾，針對短期負荷預(yù)測的特點，將數(shù)據(jù)挖掘技術(shù)引入短期負荷預(yù)測中，極大地提高了預(yù)測精度，對于保障電力運行的安全性和經(jīng)濟性具有重要作用?；跀?shù)據(jù)挖掘技術(shù)的短期電力負荷預(yù)測進行了探討，希望對相關(guān)單位有所幫助。

提出了1種基于混沌分析和支持向量回歸機的短期空調(diào)負荷預(yù)測建模方法。通過研究實際空調(diào)負荷序列的混沌特性,確定其混沌特征參數(shù)并選取支持向量回歸機進行預(yù)測。支持向量機建模過程使用粒子群算法進行參數(shù)尋優(yōu)。仿真結(jié)果表明,空調(diào)負荷序列具有一定的混沌特性,使用混沌支持向量機方法的預(yù)測精度比單一支持向量機法預(yù)測結(jié)果eep指標降低了31.4%,預(yù)測精度有了明顯提升。

基于支持向量機的建筑物空調(diào)負荷預(yù)測模型——建立了基于支持向量機理論的建筑物空調(diào)負荷預(yù)測模型。對廣州地區(qū)某辦公樓夏季不同月份的逐時空調(diào)負荷,分別用模型和神經(jīng)網(wǎng)絡(luò)模型進行了訓練和預(yù)測。仿真結(jié)果表明,模型具有更高的預(yù)測精度和更好的泛化能力,是建筑物空...

建立了基于支持向量機(svm)理論的建筑物空調(diào)負荷預(yù)測模型。對廣州地區(qū)某辦公樓夏季不同月份的逐時空調(diào)負荷,分別用svm模型和bp神經(jīng)網(wǎng)絡(luò)模型進行了訓練和預(yù)測。仿真結(jié)果表明,svm模型具有更高的預(yù)測精度和更好的泛化能力,是建筑物空調(diào)負荷預(yù)測的一種有效方法。

短期電力負荷預(yù)測器設(shè)計 thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計任務(wù)書 一、設(shè)計內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點和學習方式，根據(jù)其學習方法，編寫算法進行matlab仿 真，對仿真預(yù)測結(jié)果的精度進行分析。 二、基本要求 1．選擇適合電力負荷預(yù)測的人工神經(jīng)網(wǎng)絡(luò)的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡(luò)模型的仿真。 3．得到仿真結(jié)果，對電力負荷預(yù)測結(jié)果的精度進行分析。 三、主要技術(shù)指標 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫matlab程序，對人工神經(jīng)網(wǎng)絡(luò)進行訓練，實現(xiàn)電 力負荷預(yù)測。 四、應(yīng)收集的資料及參考文獻 [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[m].北京:化學工業(yè)出版社 [2]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計[m].北京:清華大學出版 社 [3]朱大奇.

方法的選擇對電力負荷預(yù)測結(jié)果至關(guān)重要,本文通過對x(1)(1)增加干擾因素β,實現(xiàn)對初始值的優(yōu)化,較已有研究文獻使用x(1)(n)+β方法更加便于理解,保持運算前后一致,同時,改進背景值的設(shè)置。通過實例驗證,此方法可以在負荷預(yù)測上得到很好的應(yīng)用,提高預(yù)測精度。

灰色系統(tǒng)是部分信息已知、部分信息未知的系統(tǒng)?；疑到y(tǒng)把一般系統(tǒng)理論、信息控制的觀點和方法延伸到社會、經(jīng)濟等廣義系統(tǒng)，灰色系統(tǒng)理論能更準確地描述社會經(jīng)濟系統(tǒng)的狀態(tài)和行為。研究基于灰色系統(tǒng)理論的灰色預(yù)測模型，對社會經(jīng)濟系統(tǒng)預(yù)測具有重要的意義。由于用電負荷增長情況受經(jīng)濟發(fā)展、產(chǎn)業(yè)機構(gòu)、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個灰色系統(tǒng)。

提出了基于小波支持向量機(wsvm)與相空間重構(gòu)(psrt)相結(jié)合的電力系統(tǒng)短期負荷預(yù)測(stlf)模型。使用小波核函數(shù)(wkf)構(gòu)建相應(yīng)的wsvm,并且用云遺傳算法(cga)對相關(guān)參數(shù)進行優(yōu)化。在分析負荷時間序列的混沌特性基礎(chǔ)上,對序列進行了psrt,將相空間中的向量點作為wsvm的輸入。該方法不考慮氣象和節(jié)假日等條件,只使用歷史負荷數(shù)據(jù)。仿真結(jié)果表明,新算法有較好的精確度和有效性,具有一定的實用價值。

精確的年電力負荷預(yù)測為電力建設(shè)和電網(wǎng)運行提供可靠的指導(dǎo)。受多種因素的影響,年電力負荷曲線呈現(xiàn)出非線性特性,因此年電力負荷預(yù)測問題的解決需要建立在非線性模型的基礎(chǔ)之上。廣義回歸神經(jīng)網(wǎng)絡(luò)（grnn）已被證明在處理非線性問題上是非常有效的。該網(wǎng)絡(luò)只有一個擴展參數(shù),如何確定適當?shù)臄U展參數(shù)是使用grnn進行預(yù)測的關(guān)鍵點。提出了一種將多種群的果蠅優(yōu)化算法（mfoa）和grnn相結(jié)合的混合年電力負荷預(yù)測模型,用以解決上述問題。其中,mfoa用作為grnn電力負荷預(yù)測模型選擇適當?shù)臄U展參數(shù)。最后通過模擬實驗數(shù)據(jù)分析,mfoa-grnn模型的年電力負荷預(yù)測平均絕對百分比誤差為0.510%,均方誤差為0.281。并且將其結(jié)果與差分進化的支持向量機模型（de-svm）、粒子群優(yōu)化的grnn模型（pso-grnn）、以及果蠅優(yōu)化的grnn模型（foa-grnn）的預(yù)測結(jié)果進行了比較。最終得出,文中所提出的mfoa-grnn模型在年電力負荷預(yù)測中的預(yù)測性能優(yōu)于上述3種模型。

為了提高電力系統(tǒng)短期負荷預(yù)測精度,提出一種基于改進極限學習機(melm)的短期電力負荷預(yù)測模型。引入基于結(jié)構(gòu)風險最小化理論,并結(jié)合最小二乘向量機回歸學習方法,以克服傳統(tǒng)極限學習機(elm)在短期負荷預(yù)測中存在的過擬合問題。某地區(qū)用電負荷預(yù)測結(jié)果表明,改進模型的泛化性與預(yù)測精度均優(yōu)于傳統(tǒng)elm和os-elm模型,可為短期電力負荷預(yù)測提供有效依據(jù),具有一定的實用性。

針對短期電力負荷預(yù)測易受氣象因素影響的特點,提出基于相似日和灰色理論的短期電力負荷預(yù)測模型;首先通過對日類型的判斷得到相同日類型的負荷數(shù)據(jù),然后對氣象數(shù)據(jù)序列進行模糊化聚類處理,并結(jié)合預(yù)測日的氣象數(shù)據(jù),采用灰色關(guān)聯(lián)方法進行關(guān)聯(lián)分析,選取與預(yù)測日關(guān)聯(lián)度高的負荷數(shù)據(jù)作為相似日負荷數(shù)據(jù),采用灰色預(yù)測方法對相似日負荷數(shù)據(jù)進行短期電力負荷預(yù)測;仿真結(jié)果表明,選取了相似日之后的預(yù)測結(jié)果比未選取相似日的預(yù)測結(jié)果精度要高.

討論了灰色模型gm(1,1)及其改進模型在短期電力負荷預(yù)測中的應(yīng)用,提出了適合電網(wǎng)普通日及特殊日電力負荷預(yù)測的數(shù)據(jù)處理方法,提高了預(yù)測的精度。

討論了灰色模型gm（1，1）及其改進模型在短期電力負荷預(yù)測中的應(yīng)用，提出了適合電網(wǎng)普通日及特殊日電力負荷預(yù)測的數(shù)據(jù)處理方法，提高了預(yù)測的精度。