改進遺傳算法優(yōu)化極限學習機的短期電力負荷預測

為了提高電力負荷預測精度,應對電力系統(tǒng)智能化所帶來的數(shù)據(jù)海量化高維化帶來的單機計算資源不足的挑戰(zhàn),提出了一種在線序列優(yōu)化的極限學習機短期電力負荷預測模型。針對電力負荷數(shù)據(jù)特性,對極限學習機預測算法進行在線序列優(yōu)化;引入分布式和multi-agent思想,提升負荷預測算法預測準確率;采用云計算的mapreduce編程框架對提出的算法模型進行并行化改進,提高其處理海量高維數(shù)據(jù)的能力。選用eunite提供的真實電力負荷數(shù)據(jù)進行算例分析,在32節(jié)點云計算集群上進行實驗,結果表明基于該模型的負荷預測精度均優(yōu)于傳統(tǒng)支持向量回歸預測算法和泛化神經(jīng)網(wǎng)絡預測算法,且提出的算法具有優(yōu)異的并行性能。

負荷預測對電網(wǎng)規(guī)劃和售電市場調(diào)控具有重要意義。由于電力負荷與天氣、日期、區(qū)域等多個因素密切相關,存在較強的不確定性和非線性特征,導致傳統(tǒng)方法的負荷預測精度較低。為了提高負荷預測精度,提出基于正交投影徑向基函數(shù)極限學習機(oprbf-elm)的短期電力負荷預測算法。該算法將elm的隱含層節(jié)點替換為徑向基神經(jīng)元,基于訓練誤差二范數(shù)最小化準則,采用正交投影計算輸出權值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓練集均方根誤差(rmse)最小的預測負荷結果。算法預測過程中只需要設置網(wǎng)絡的徑向基神經(jīng)元(rbf)個數(shù),不需要調(diào)整輸入權值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關性,快速有效得到輸出權值向量,從而提高負荷預測精度。以我國某省電動汽車用電領域的負荷數(shù)據(jù)作為標準樣本進行仿真,仿真實驗驗證了該算法的可行性和有效性,與支持向量機(svm)和傳統(tǒng)rbf-elm相比,該算法的預測精度高、泛化能力強,具有廣泛的實用性。

根據(jù)電力負荷的主要影響因素,考慮時間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(bp)的短期負荷預測.從bp神經(jīng)網(wǎng)絡的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡的初始權值和隱層節(jié)點數(shù),從而避免了神經(jīng)網(wǎng)絡結構確定和初始權值選擇的盲目性,提高了神經(jīng)網(wǎng)絡用于電力系統(tǒng)短期負荷預測的效率和精度使得負荷預測在更加合理的網(wǎng)絡結構上進行.

利用標準bp神經(jīng)網(wǎng)絡建立短期電力負荷預測模型,其算法存在最終解過于依賴初值和過學習現(xiàn)象,并且訓練過程中存在局部極小問題且預測精度低等缺點。為了提高電力負荷模型的預測精度,通過閱讀相關文獻,構建了基于改進bp神經(jīng)網(wǎng)絡的短期電力負荷預測模型,該模型采用遺傳算法對權值和閾值進行初始化,以相對誤差和附加動量法相結合的方式去計算權值修正量。比較改進后的bp算法和標準bp算法在短期電力負荷預測的效果,從實驗仿真的效果表明改進后的模型提高了預測精度。

通過對電力負荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負荷預測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進行相空間重構,找出其中的潛在規(guī)律,并粗選預測參考點;然后利用蟻群優(yōu)化算法,考慮距離因素和相點演化的相關性因素,對粗選的預測參考點作進一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預測日的負荷數(shù)據(jù)。實際算例驗證了提出的方法具有較好的預測精度。

介紹極限學習機（elm）的原理，提出極限學習機模型的城市燃氣短期負荷預測方法。以重慶市某區(qū)域燃氣日負荷、氣溫、日期類型及天氣狀況等數(shù)據(jù)為訓練樣本，采用歸一化等預處理方法處理輸入數(shù)據(jù)，通過確定最優(yōu)隱含層節(jié)點數(shù)等建立最優(yōu)極限學習機模型。將實際值和通過采用極限學習機與支持向量機（svm）方法得到的燃氣日負荷預測值進行對比，將采用極限學習機與支持向量機方法的訓練時間和預測時間進行對比，極限學習機預測方法具有較好的預測精度，且訓練時間短。

針對電力負荷短期預測問題,提出了一種基于相似日的神經(jīng)網(wǎng)絡預測方法,分析傳統(tǒng)bp算法的不足,提出一種基于levenbery-marquardt優(yōu)化法的bp模型學習算法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經(jīng)網(wǎng)絡來分別預測每天的整點負荷值,具有網(wǎng)絡結構較小,訓練時間短的優(yōu)點,考慮了不同類型的負荷差異,并對四川省電力公司某區(qū)一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。

隨著我國經(jīng)濟建設的不斷發(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。負荷預測是電力市場技術支持系統(tǒng)的一個重要組成模塊，尤其是短期電力負荷預測方法易受隨機因素的干擾，針對短期負荷預測的特點，將數(shù)據(jù)挖掘技術引入短期負荷預測中，極大地提高了預測精度，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)挖掘技術的短期電力負荷預測進行了探討，希望對相關單位有所幫助。

首先,簡要介紹了深度學習算法的有關內(nèi)容,包括深度學習與神經(jīng)網(wǎng)絡的比較和深度學習的訓練過程。其次,從負荷的日屬性、負荷的周屬性、溫度因素、節(jié)假日因素這幾個方面對負荷的特性進行了研究。最后,根據(jù)負荷的歷史數(shù)據(jù),應用深度學習算法進行了短期負荷預測,并將其預測結果與bp神經(jīng)網(wǎng)絡的預測結果做了比較。

支持向量機svm作為機器學習方法之一,有數(shù)據(jù)分類以及數(shù)據(jù)回歸兩種用途,支持向量機的回歸能應用于預測領域.本文應用svm方法來建立電力負荷預測模型,首先以歷史負荷、天氣、日期類型作輸入數(shù)據(jù),然后對數(shù)據(jù)進行歸一化處理,再利用svm構建預測模型,svm在負荷預測方面具有較高的可信度與精準度.

短期電力負荷預測器設計 thedesignofshorttermpowerload prediction 畢業(yè)設計任務書 一、設計內(nèi)容 結合人工神經(jīng)網(wǎng)絡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，對仿真預測結果的精度進行分析。 二、基本要求 1．選擇適合電力負荷預測的人工神經(jīng)網(wǎng)絡的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡模型的仿真。 3．得到仿真結果，對電力負荷預測結果的精度進行分析。 三、主要技術指標 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡模型，編寫matlab程序，對人工神經(jīng)網(wǎng)絡進行訓練，實現(xiàn)電 力負荷預測。 四、應收集的資料及參考文獻 [1]韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用[m].北京:化學工業(yè)出版社 [2]周開利，康耀紅.神經(jīng)網(wǎng)絡模型及其matlab仿真程序設計[m].北京:清華大學出版 社 [3]朱大奇.

電力系統(tǒng)的管理和調(diào)度對精確的負荷預測模型有著極高的要求。為全面提高負荷預測模型的性能，提出一種新型的結合互補集成經(jīng)驗模態(tài)分解（ceemd）和小波核函數(shù)極限學習機（wkelm）的短期電力負荷組合預測模型。首先通過ceemd將歷史電力負荷數(shù)據(jù)自適應地分解為一系列相對平穩(wěn)的子序列，對各分量建立小波核極限學習機的預測模型，預測各分量的負荷值并對其進行求和得到最終預測結果。用四種預測模型對真實的負荷數(shù)據(jù)進行訓練預測，算例表明新模型在預測精度和效率上都具有一定優(yōu)勢，同時克服了傳統(tǒng)emd中容易出現(xiàn)的模態(tài)混疊問題以及elm中存在的過擬合等缺陷，具有一定的實際應用潛力。

為提高電力系統(tǒng)短期負荷預測的精度,引入一種新型的群智能方法——粒子群優(yōu)化算法,并將這種智能算法與bp算法相結合,形成了粒子群優(yōu)化bp算法模型,建立了計及氣象因素的短期負荷預測模型.通過具體算例將此模型與單純的bp模型進行比較,結果表明:該算法具有較高的預測精度,完全能滿足實際工程的要求.

將bp神經(jīng)網(wǎng)絡用于電力負荷預測。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡構造及預測結果評價方法。在南京市夏季電力負荷統(tǒng)計數(shù)據(jù)集上面的實驗結果表明,bp神經(jīng)網(wǎng)絡能夠?qū)﹄娏ω摵蛇M行較好地預測。

針對最小二乘支持向量機在電力負荷預測應用中的參數(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改進;最后將其應用于電力負荷建模與預測,并通過仿真對比實驗測試其性能。實驗結果表明,ipso-lssvm可以獲得較高準確度的電力負荷預測結果,大幅度減少了訓練時間,滿足電力負荷在線預測要求。

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)化的預測模型,并對短期電力負荷進行預測仿真,為精準且快速地預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測精度,結果顯示其精度值較高。

針對短期電力負荷預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,并結合預測日的氣象數(shù)據(jù),采用灰色關聯(lián)方法進行關聯(lián)分析,選取與預測日關聯(lián)度高的負荷數(shù)據(jù)作為相似日負荷數(shù)據(jù),采用灰色預測方法對相似日負荷數(shù)據(jù)進行短期電力負荷預測;仿真結果表明,選取了相似日之后的預測結果比未選取相似日的預測結果精度要高.

為了解決bp神經(jīng)網(wǎng)絡在短期電力負荷預測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動態(tài)神經(jīng)網(wǎng)絡進行精準預測。根據(jù)輸入輸出參數(shù)個數(shù)確定elman神經(jīng)網(wǎng)絡結構，利用pso算法優(yōu)化網(wǎng)絡的權值和閾值，并將優(yōu)化后的最優(yōu)個體賦給elman動態(tài)神經(jīng)網(wǎng)絡作為初始權值、閾值進行網(wǎng)絡訓練，從而建立基于pso-elman的電力負荷預測模型。采用某鋼廠實測電力數(shù)據(jù)對該方法和模型進行驗證，并與傳統(tǒng)的bp、elman網(wǎng)絡模型預測方法進行對比，結果表明該方法和模型在有效縮短網(wǎng)絡收斂時間的同時，具備更高的負荷預測精度和穩(wěn)定性。

電力系統(tǒng)中每小時負荷具有波動性,為了提高短期電力負荷預測的精度,本文提出第一個改進的基于小波神經(jīng)網(wǎng)絡的預測模型,此模型應用布谷鳥優(yōu)化算法對小波神經(jīng)網(wǎng)絡中的參數(shù)進行優(yōu)化后,再對數(shù)據(jù)進行預測。通過澳大利亞新南威爾士州的電力負荷數(shù)據(jù)的分析,與傳統(tǒng)的arima模型相比較,提出的改進模型能夠很好地提高預測精度。

以精確的空調(diào)負荷預測為前提,方能使得冰蓄冷空調(diào)在融冰供冷過程中采取最為合理的運行策略。提出一種改進的增量型極限學習機(pso-ielm)的建筑物空調(diào)負荷預測模型。通過粒子群優(yōu)化算法,克服傳統(tǒng)極限學習機(elm)在預測中存在的不穩(wěn)定性。并結合對西安地區(qū)某購物中心夏季不同月份的空調(diào)負荷進行訓練和預測。實例分析結果表明,粒子群優(yōu)化增量型極限學習機(pso-ielm)具有更好泛化能力和更高預測精度。是對建筑空調(diào)負荷預測的有效手段。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

由于產(chǎn)業(yè)結構的調(diào)整、居民消費能力消費結構的變化和市場化等因素的影響,城區(qū)中長期電力負荷預測具有相當?shù)碾y度。建立一個基于遺傳算法和bp算法相結合的神經(jīng)網(wǎng)絡預測模型,以南昌市為例做實證,并與傳統(tǒng)bp神經(jīng)網(wǎng)絡和模擬退火預測結果做對比,驗證了該模型的準確性。最后對城區(qū)未來十幾年的基本用電負荷進行了預測和分析。