FAPSO与SVM融合算法的电力日负荷预测

支持向量机svm作为机器学习方法之一,有数据分类以及数据回归两种用途,支持向量机的回归能应用于预测领域.本文应用svm方法来建立电力负荷预测模型,首先以历史负荷、天气、日期类型作输入数据,然后对数据进行归一化处理,再利用svm构建预测模型,svm在负荷预测方面具有较高的可信度与精准度.

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(bp)神经网络的空调负荷预测方法,针对bp网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于bp网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。

为了提高负荷预测的准确性,引入了优化组合预测模型,将几个电力负荷预测模型有机地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。文中采用改进蚁群算法作为优化方法,并用实例证明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。

利用标准bp神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进bp神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的bp算法和标准bp算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统bp算法的不足,提出一种基于levenbery-marquardt优化法的bp模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。

将bp神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明,bp神经网络能够对电力负荷进行较好地预测。

针对时间因素、季节因素和随机因素对短期电力负荷的影响,以某一地区电力负荷历史数据为基础,利用模糊推理算法对短期电力负荷进行预测,实现电力负荷短期预测值的自适应调整,实时保证电力系统的供需平衡。对本地区进行短期电力负荷预测仿真试验,试验结果表明,使用模糊推理算法的短期电力负荷预测系统具有较高的准确度。

郑州大学 硕士学位论文 电力系统短期负荷预测方法的研究 姓名：张德玲 申请学位级别：硕士 专业：电力系统及其自动化 指导教师：陈根永 20070515 电力系统短期负荷预测方法的研究 作者：张德玲 学位授予单位：郑州大学 本文链接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

电力系统中每小时负荷具有波动性,为了提高短期电力负荷预测的精度,本文提出第一个改进的基于小波神经网络的预测模型,此模型应用布谷鸟优化算法对小波神经网络中的参数进行优化后,再对数据进行预测。通过澳大利亚新南威尔士州的电力负荷数据的分析,与传统的arima模型相比较,提出的改进模型能够很好地提高预测精度。

为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(cspso-elm)预测模型。该模型利用粒子群算法(particleswarmoptimization,pso)寻找极限学习机(elm)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。

首先,简要介绍了深度学习算法的有关内容,包括深度学习与神经网络的比较和深度学习的训练过程。其次,从负荷的日属性、负荷的周属性、温度因素、节假日因素这几个方面对负荷的特性进行了研究。最后,根据负荷的历史数据,应用深度学习算法进行了短期负荷预测,并将其预测结果与bp神经网络的预测结果做了比较。

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与bp算法相结合,形成了粒子群优化bp算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的bp模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度。分析了如何采用bp多层感知器的隐层数及隐层单元数。最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高.

针对短期电力负荷预测易受气象因素影响的特点，提出基于相似日和灰色理论的短期电力负荷预测模型；首先通过对日类型的判断得到相同日类型的负荷数据，然后对气象数据序列进行模糊化聚类处理，并结合预测日的气象数据，采用灰色关联方法进行关联分析，选取与预测日关联度高的负荷数据作为相似日负荷数据，采用灰色预测方法对相似日负荷数据进行短期电力负荷预测；仿真结果表明，选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。

为了解决bp神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题，本文采用粒子群算法（particleswarmoptimization，pso）优化elman动态神经网络进行精准预测。根据输入输出参数个数确定elman神经网络结构，利用pso算法优化网络的权值和阈值，并将优化后的最优个体赋给elman动态神经网络作为初始权值、阈值进行网络训练，从而建立基于pso-elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证，并与传统的bp、elman网络模型预测方法进行对比，结果表明该方法和模型在有效缩短网络收敛时间的同时，具备更高的负荷预测精度和稳定性。

뗧솦쾵춳뛌웚뢺뫉풤닢랽램퇐뺿ퟷ헟ꎺ십뺲늨톧캻쫚폨떥캻ꎺ쯄뒨듳톧닎뾼컄쿗(63쳵ì1.얣뚫쿾.닜쫷뮪.헔샚뗧솦쾵춳뢺뫉풤닢벼쫵벰웤펦폃19882.쇵뎿鬒뗧솦쾵춳뢺뫉풤놨샭싛폫랽램19873.헅럼짺.췴뫨.몫.쯯쿾잿.헅헱폮.닜뷸믹폚욫ퟮ킡뛾돋믘맩럖컶뗄뛌웚뢺뫉풤닢[웚뾯싛컄æ-뗧췸벼쫵2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.헅짜뫍.믆뚫믝.뛅컄맣욽뮬쾵쫽폅뮯뗄

提出了一种基于云模型的电力负荷预测模型。利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据。以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器。利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高。

电力系统短期负荷预测的静态分析

0 目录 中文摘要..............................................................1 英文摘要..............................................................2 1电力系统负荷预测综述...............................................3 1.1引言...........................................................3 1.2电力系统负荷预测的含义.........................................3 1.3电力系统负荷预测的意义.......................................

电力负荷数据管理系统是电力营销技术支持系统的组成部分,对电力系统运行有着重要的辅助作用。采用神经网络预测模型,设计输入变量和确定神经网络结构的方法和算法,可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用matlab建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对bp网络设计。该算法结构简单,最后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。该模型具有网络结构较小,训练时间短的优点,并考虑不同小时负荷差异,易于实现,具有较高的预测精度,预测误差在15%以下,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(ipso-lssvm)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,ipso-lssvm可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。