SCE-UA支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)模型研究

偏最小二乘(pls)運(yùn)算降低電力負(fù)荷數(shù)據(jù)之間的相關(guān)性,最小二乘支持向量機(jī)(ls-svm)可以獲得模型的全局最優(yōu)預(yù)測(cè)效果,減少預(yù)測(cè)過(guò)程的運(yùn)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(fù)荷預(yù)測(cè)模型的過(guò)程,并用于某地區(qū)2008年的用電日負(fù)荷預(yù)測(cè),預(yù)測(cè)的平均相對(duì)誤差和最大相對(duì)誤差分別為0.685%和8.8599%。與基于ar(1)模型的預(yù)測(cè)結(jié)果相比,pls-ls-svm模型更高的預(yù)測(cè)準(zhǔn)確性可為短期電力負(fù)荷預(yù)測(cè)提供有效依據(jù)。

文章分析了影響電力負(fù)荷的因素,對(duì)現(xiàn)存的短期電力負(fù)荷預(yù)測(cè)方法進(jìn)行了研究,采用粒子群算法對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu),建立了基于粒子群優(yōu)化的預(yù)測(cè)模型,并對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)仿真,為精準(zhǔn)且快速地預(yù)測(cè)短期電力負(fù)荷提供了有效的方法。通過(guò)實(shí)例分析驗(yàn)證了該模型在電力負(fù)荷中的預(yù)測(cè)精度,結(jié)果顯示其精度值較高。

根據(jù)電力負(fù)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(jī)結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)新方法,以相空間重構(gòu)理論確定支持向量機(jī)的輸入量個(gè)數(shù);訓(xùn)練樣本集由對(duì)應(yīng)預(yù)測(cè)相點(diǎn)的最近鄰相點(diǎn)集構(gòu)成,且是按預(yù)測(cè)相點(diǎn)步進(jìn)動(dòng)態(tài)相軌跡生成;采用蟻群優(yōu)化算法對(duì)支持向量機(jī)敏感參數(shù)進(jìn)行優(yōu)化,從而可增強(qiáng)預(yù)測(cè)模型對(duì)混沌動(dòng)力學(xué)的聯(lián)想和泛化推理能力,提高負(fù)荷預(yù)測(cè)的精度和提高預(yù)測(cè)穩(wěn)定性。對(duì)某地區(qū)負(fù)荷系統(tǒng)日、周預(yù)測(cè)仿真測(cè)試,證明其可獲得穩(wěn)定的較高預(yù)測(cè)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(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測(cè)方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對(duì)每個(gè)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(jìn)行負(fù)荷預(yù)測(cè);采用最小二乘支持向量機(jī)回歸算法對(duì)不同灰色模型的預(yù)測(cè)結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測(cè)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(jiǎn)單、運(yùn)算方便等優(yōu)勢(shì)的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測(cè)精度。仿真結(jié)果驗(yàn)證了所提出組合方法的有效性和實(shí)用性。

負(fù)荷預(yù)測(cè)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(xùn)練過(guò)程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進(jìn)行訓(xùn)練,得到負(fù)荷特性預(yù)測(cè)最優(yōu)模型,解碼預(yù)測(cè)過(guò)程采用viterbi算法,通過(guò)模型可預(yù)測(cè)下一年地區(qū)負(fù)荷特性。以廣東電網(wǎng)2011年至2016年負(fù)荷數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)隱馬爾可夫模型進(jìn)行訓(xùn)練,并對(duì)2017年廣東典型日負(fù)荷率進(jìn)行預(yù)測(cè),仿真結(jié)果具有較優(yōu)的準(zhǔn)確性和計(jì)算效率。

針對(duì)最小二乘支持向量機(jī)在電力負(fù)荷預(yù)測(cè)應(yīng)用中的參數(shù)優(yōu)化問(wèn)題,將改進(jìn)粒子群算法引入到最小二乘支持向量機(jī)參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測(cè)模型(ipso-lssvm)。首先將最小二乘支持向量機(jī)參數(shù)編碼為粒子初始位置向量;然后通過(guò)粒子個(gè)體之間的信息交流、協(xié)作找到最小二乘支持向量機(jī)的最優(yōu)參數(shù),并針對(duì)標(biāo)準(zhǔn)粒子群算法的不足進(jìn)行相應(yīng)改進(jìn);最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測(cè),并通過(guò)仿真對(duì)比實(shí)驗(yàn)測(cè)試其性能。實(shí)驗(yàn)結(jié)果表明,ipso-lssvm可以獲得較高準(zhǔn)確度的電力負(fù)荷預(yù)測(cè)結(jié)果,大幅度減少了訓(xùn)練時(shí)間,滿足電力負(fù)荷在線預(yù)測(cè)要求。

提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型.利用云模型中的云發(fā)生器,分別將有限的國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長(zhǎng)率和增長(zhǎng)變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù).以國(guó)民生產(chǎn)總值為例,建立國(guó)民生產(chǎn)總值與電力負(fù)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(fù)荷預(yù)測(cè)增長(zhǎng)率,將國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長(zhǎng)率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測(cè)值,獲得的預(yù)測(cè)結(jié)果精度高.

針對(duì)小樣本數(shù)據(jù),提出基于gm(1,1)模型進(jìn)行電力負(fù)荷預(yù)測(cè)模型,并通過(guò)實(shí)例表明該模型在電力負(fù)荷預(yù)測(cè)中的可行性;開(kāi)發(fā)了基于gm(1,1)模型的電力負(fù)荷預(yù)測(cè)系統(tǒng),實(shí)現(xiàn)了在實(shí)際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預(yù)測(cè)功能。

提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型。利用云模型中的云發(fā)生器,分別將有限的國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長(zhǎng)率和增長(zhǎng)變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù)。以國(guó)民生產(chǎn)總值為例,建立國(guó)民生產(chǎn)總值與電力負(fù)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(fù)荷預(yù)測(cè)增長(zhǎng)率,將國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長(zhǎng)率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測(cè)值,獲得的預(yù)測(cè)結(jié)果精度高。

隨著我國(guó)經(jīng)濟(jì)建設(shè)的不斷發(fā)展，社會(huì)用電量不斷增長(zhǎng)，電廠和電網(wǎng)規(guī)模不斷擴(kuò)大，這就對(duì)電力部門(mén)的安全、經(jīng)濟(jì)運(yùn)行提出了更高要求。負(fù)荷預(yù)測(cè)是電力市場(chǎng)技術(shù)支持系統(tǒng)的一個(gè)重要組成模塊，尤其是短期電力負(fù)荷預(yù)測(cè)方法易受隨機(jī)因素的干擾，針對(duì)短期負(fù)荷預(yù)測(cè)的特點(diǎn)，將數(shù)據(jù)挖掘技術(shù)引入短期負(fù)荷預(yù)測(cè)中，極大地提高了預(yù)測(cè)精度，對(duì)于保障電力運(yùn)行的安全性和經(jīng)濟(jì)性具有重要作用?；跀?shù)據(jù)挖掘技術(shù)的短期電力負(fù)荷預(yù)測(cè)進(jìn)行了探討，希望對(duì)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(jī)的短期空調(diào)負(fù)荷預(yù)測(cè)建模方法。通過(guò)研究實(shí)際空調(diào)負(fù)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(jī)進(jìn)行預(yù)測(cè)。支持向量機(jī)建模過(guò)程使用粒子群算法進(jìn)行參數(shù)尋優(yōu)。仿真結(jié)果表明,空調(diào)負(fù)荷序列具有一定的混沌特性,使用混沌支持向量機(jī)方法的預(yù)測(cè)精度比單一支持向量機(jī)法預(yù)測(cè)結(jié)果eep指標(biāo)降低了31.4%,預(yù)測(cè)精度有了明顯提升。

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

短期電力負(fù)荷預(yù)測(cè)器設(shè)計(jì) thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計(jì)任務(wù)書(shū) 一、設(shè)計(jì)內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)和學(xué)習(xí)方式，根據(jù)其學(xué)習(xí)方法，編寫(xiě)算法進(jìn)行matlab仿 真，對(duì)仿真預(yù)測(cè)結(jié)果的精度進(jìn)行分析。 二、基本要求 1．選擇適合電力負(fù)荷預(yù)測(cè)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(duì)電力負(fù)荷預(yù)測(cè)結(jié)果的精度進(jìn)行分析。 三、主要技術(shù)指標(biāo) 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫(xiě)matlab程序，對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)電 力負(fù)荷預(yù)測(cè)。 四、應(yīng)收集的資料及參考文獻(xiàn) [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[m].北京:化學(xué)工業(yè)出版社 [2]周開(kāi)利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計(jì)[m].北京:清華大學(xué)出版 社 [3]朱大奇.

方法的選擇對(duì)電力負(fù)荷預(yù)測(cè)結(jié)果至關(guān)重要,本文通過(guò)對(duì)x(1)(1)增加干擾因素β,實(shí)現(xiàn)對(duì)初始值的優(yōu)化,較已有研究文獻(xiàn)使用x(1)(n)+β方法更加便于理解,保持運(yùn)算前后一致,同時(shí),改進(jìn)背景值的設(shè)置。通過(guò)實(shí)例驗(yàn)證,此方法可以在負(fù)荷預(yù)測(cè)上得到很好的應(yīng)用,提高預(yù)測(cè)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(diǎn)和方法延伸到社會(huì)、經(jīng)濟(jì)等廣義系統(tǒng)，灰色系統(tǒng)理論能更準(zhǔn)確地描述社會(huì)經(jīng)濟(jì)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(cè)模型，對(duì)社會(huì)經(jīng)濟(jì)系統(tǒng)預(yù)測(cè)具有重要的意義。由于用電負(fù)荷增長(zhǎng)情況受經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)機(jī)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(gè)灰色系統(tǒng)。

提出了基于小波支持向量機(jī)(wsvm)與相空間重構(gòu)(psrt)相結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)(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(duì)相關(guān)參數(shù)進(jìn)行優(yōu)化。在分析負(fù)荷時(shí)間序列的混沌特性基礎(chǔ)上,對(duì)序列進(jìn)行了psrt,將相空間中的向量點(diǎn)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(fù)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(shí)用價(jià)值。

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

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

將發(fā)電站視為本征性灰色系統(tǒng),對(duì)電力負(fù)荷建立灰色預(yù)測(cè)模型,并根據(jù)實(shí)際結(jié)果對(duì)原始模型進(jìn)行優(yōu)化。使用序列平移、殘差校正、等維新息等方法提高了模型的精度。在實(shí)際應(yīng)用中證明了預(yù)測(cè)結(jié)果的可信度

由于中央空調(diào)系統(tǒng)的時(shí)滯性、時(shí)變性、非線性和大惰性等特性,使得當(dāng)前采用的中央空調(diào)負(fù)荷預(yù)測(cè)算法精度并不高,本文在江陰某樓宇空調(diào)系統(tǒng)節(jié)能改造項(xiàng)目的基礎(chǔ)上,從中央空調(diào)系統(tǒng)的組成和特性出發(fā),提出了基于支持向量回歸機(jī)（supportvectorregressionsvr）理論的中央空調(diào)負(fù)荷預(yù)測(cè)模型。對(duì)項(xiàng)目樓宇歷史負(fù)荷數(shù)據(jù)進(jìn)行分析,分別采用svr負(fù)荷預(yù)測(cè)模型和bp神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行了訓(xùn)練和預(yù)測(cè)。預(yù)測(cè)結(jié)果表明：基于svr負(fù)荷預(yù)測(cè)模型較bp神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型精度更高,具有較強(qiáng)的實(shí)用性和可行性。

建立基于支持向量機(jī)的建筑物沉降預(yù)測(cè)模型,并將其應(yīng)用于建筑物的沉降預(yù)測(cè)。與采用bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相比,支持向量機(jī)取得較好的預(yù)測(cè)結(jié)果。實(shí)例表明支持向量機(jī)在小樣本數(shù)據(jù)的預(yù)測(cè)上具有精度高、泛化能力強(qiáng)的特點(diǎn),為建筑物的沉降預(yù)測(cè)提供一種新的方法。