基因表达式编程电力负荷预测算法

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。

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。

由于目前常用的电力负荷预测算法在预测精度和计算效率方面存在一些局限,本文提出一种基于电力负荷历史数据挖掘的负荷预测算法。该算法基于粗糙集理论构建了一种组合式神经网络,该神经网络采用混合式神经单元和并行子网络结构,并基于分层聚类算法和特征曲线算法对电力负荷历史数据进行预处理,利用粗糙集对神经网络的输出数据和连接权值进行属性约简,实现提高历史数据准确性、简化神经网络结构以及降低输入数据冗余的功能。通过仿真试验表明,该算法具有相对于传统神经网络算法更好的预测精度,而且能够将神经网络的收敛效率提升约70%。

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的mapreduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用eunite提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用gm(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。

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.

住宅电力负荷预测 patrickday,michaelfabian,donnoble,georgeruwisch,ryanspencer, jeffstevenson,rajeshthoppay georgiainstituteoftechnology,northavenue,atlanta,ga30332,usa 摘要：智能电网技术的采用很大程度上驱动了预付电力计量市场的进步。先进 的智能电表促进了智能预付费电表的预付费系统的部署。一个成功的计划取决于 能够准确为每个终端用户预测每天的能量消耗。这种预测的方法称为住宅电力负 荷预测(rplf)。本文描述了为推荐项目发起人开发一个的负荷预测模 型,smartgridcis的系统工程(se)流程和工具。基本概念是,电力付费采用类似 于“预付电话费”的方式。建模技术探讨分析的替代方案(

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.

电力负荷预测是电力部门规划的基础,因此运用灰色系统理论对电力负荷预测进行分析,首先对灰色系统理论进行阐述,再通过实际案例进行验证,最后得到一个较为精确的数值,为电力部门提供了一种行之有效的预测方法。

针对小样本数据,提出基于gm(1,1)模型进行电力负荷预测模型,并通过实例表明该模型在电力负荷预测中的可行性;开发了基于gm(1,1)模型的电力负荷预测系统,实现了在实际工作中所要求的数据录入、查询、分析和预测功能。

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。

短期电力负荷预测器设计 thedesignofshorttermpowerload prediction 毕业设计任务书 一、设计内容 结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行matlab仿 真，对仿真预测结果的精度进行分析。 二、基本要求 1．选择适合电力负荷预测的人工神经网络的模型。 2．利用matlab软件用于人工神经网络模型的仿真。 3．得到仿真结果，对电力负荷预测结果的精度进行分析。 三、主要技术指标 利用现有的人工神经网络模型，编写matlab程序，对人工神经网络进行训练，实现电 力负荷预测。 四、应收集的资料及参考文献 [1]韩力群.人工神经网络理论、设计及应用[m].北京:化学工业出版社 [2]周开利，康耀红.神经网络模型及其matlab仿真程序设计[m].北京:清华大学出版 社 [3]朱大奇.

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(melm)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(elm)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统elm和os-elm模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(bp)的短期负荷预测.从bp神经网络的理论入手,采用遗传算法优化bp神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.

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。

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。

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。

由于获得的变形监测数据存在着偶然误差,而直接进行基因表达式编程的模型建立,则预测结果往往与真实值相差较大。本文对含噪声的观测值进行小波包去噪,再分别使用去噪数据与原始数据进行建模,实验对比分析表明噪声对基因表达式编程模型的预测产生着一定的影响,并得出在建模前应该进行相关的去噪工作,从而建立的模型进行预测其结果与真实值相差较小,可达到对大坝的变形预测分析及大坝的安全监控的目的。

灰色系统是部分信息已知、部分信息未知的系统。灰色系统把一般系统理论、信息控制的观点和方法延伸到社会、经济等广义系统，灰色系统理论能更准确地描述社会经济系统的状态和行为。研究基于灰色系统理论的灰色预测模型，对社会经济系统预测具有重要的意义。由于用电负荷增长情况受经济发展、产业机构、气候、居民收入水平等诸多因素的影响，其中有一些因素是确定的；而另外一些因素是不确定的，故可以把它看作一个灰色系统。

电力系统负荷预测是电力系统中的一个重要的研究课题。对神经网络算法和时间序列预测算法进行加权融合,提出一种混合算法对eunite竞赛数据进行了短期电力负荷预测。实验结果表明负荷预测精度得到了很大的提升。

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。

在计算机中执行算术表达式的计算是通过栈来实现的。编译系统不考虑表达式的优先级别,只是对表达式从左到右进行扫描,找到运算符和操作数,完成运算。本文以vb为开发平台,利用数组实现顺序栈工作原理,将中缀表达式转化为逆波兰表达式,便于计算。