基于卡尔曼滤波理论的电力短期负荷预测模型
为了提高超短期负荷预测的精度,通过卡尔曼滤波理论建立了实时调度子系统的超短期负荷预测模型,并用两种方法对基本模型进行改进。利用电能管理系统记录的各交易段实际调度负荷和各竞价电厂以机组申报的竞价数据,预测未来各时段的调度负荷。通过对3种模型所预测出的电力短期负荷预测结果比较,表明对原始数据进行比例变换的预测方法更为理想。
基于SVM短期电力负荷预测模型研究
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.
工程造价预测的灰色-卡尔曼滤波模型
对于工程建设者来说,准确进行工程造价预测决定着投标成败以及在工程实施过程中能否盈利的关键。利用同一公司过去几年承建同类工程的资料,建立灰色gm(1,1)模型,同时,采用卡尔曼序贯滤波算法减弱数据序列的随机性。通过实例仿真结果表明,该方法比传统灰色模型具有更好的预测效果,具有使用价值。
基于双曲线模型的卡尔曼滤波法在建筑物沉降预测中的应用
利用最小二乘法求出双曲线模型的模型参数,将此参数看作带有动态噪声的状态向量,建立基于双曲线模型的卡尔曼滤波模型,对建筑物的沉降量进行预测。卡尔曼滤波过程中,模型的参数不断发生变化,增强了其适应观测数据的能力,从而减小了拟合误差。计算表明,用基于双曲线模型的卡尔曼滤波模型对建筑物的沉降量进行预测,误差较小,效果较为理想。
基于灰理论的电力负荷预测模型
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。
基于PSO-SVM模型的短期电力负荷预测研究
文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。
自适应滤波算法在电力系统短期负荷预测中的应用
文章认为相空间局域线性回归法是电力系统短期负荷预测混沌预测法中广泛使用的方法,在用线性最小二乘法估计局部线性化模型的参数时,往往由于病态的数据矩阵导致估计值对噪声过于敏感而变得不可信。针对这种情况应用最小均方误差准则和最陡下降原理提出了一种基于自适应滤波电力系统短期负荷预测算法,避免了病态矩阵的影响。实验结果表明该算法预测结果稳定、可靠。
基于混沌理论的电力短期负荷预测
采用基于混沌算法的自适应预测模型进行电力系统短期负荷预测,通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项。算例表明,该算法具有很强的自适应能力和鲁棒性,预测精度高。
基于混沌理论及小波理论的短期负荷预测
分析了多种负荷预测的方法,着重分析了负荷的混沌特性与小波特性,同时分析了小波变换能够反应负荷的变化趋势与随机因素。利用matlab工具,建立了基于小波理论与混沌理论相结合的负荷预测模型,并利用该模型对四川某地区短期电力负荷进行了有效的预测。
基于云模型的电力负荷预测
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。
基于云模型的电力负荷预测
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.
基于差分理论的短期负荷预测神经网络模型
电力负荷是受周期性变化以及天气等因素影响的高度非线性系统,而神经网络仅仅对已学习过的模式具有较好的范化能力。为提高神经网络的负荷预测精度,提出先对原始负荷序列进行差分运算以除去其周期性影响,然后依据相似性原理建立rbf神经网络预测模型,仿真实验表明采用该方法短期负荷预测精度有所改善。
基于HMM模型的电力负荷预测模型研究
负荷预测是电力系统研究和电网规划的重要组成部分。采用隐马尔可夫模型,训练过程采用baum-welch算法,在matlab软件上隐马尔可夫模型进行训练,得到负荷特性预测最优模型,解码预测过程采用viterbi算法,通过模型可预测下一年地区负荷特性。以广东电网2011年至2016年负荷数据作为训练数据对隐马尔可夫模型进行训练,并对2017年广东典型日负荷率进行预测,仿真结果具有较优的准确性和计算效率。
燃气短期负荷预测的小波分析综合模型
燃气短期负荷预测的小波分析综合模型——城市燃气负荷预测对于保证燃气企业的供气安全、优化调度等具有重要意义。燃气负荷受天气、温度、节假目及一些随机因素等影响,很难建立准确的预测模型。为此,根据h市燃气短期目负荷变化特点,提出了用于燃气短期负荷预...
自适应卡尔曼滤波在建筑物变形监测中的应用
本文参考有关文献并结合西安高新区sohu同盟北楼d7点沉降量观测数据分析实例。以卡尔曼滤波的4个特点(见本文末)。介绍了自适应卡尔曼滤波系统在建筑物变形监测的预测预报方面的应用及其优越性。
卡尔曼滤波拟合椭圆在地铁隧道断面监测中的应用
最小二乘法拟合椭圆过程中,把所有样本点都当作准确值,但当拟合点中出现噪声和孤立点时,拟合出的椭圆误差较大,而最小平方中值法具有较好的稳健性,但该方法计算量大,计算不方便。针对这种情况,笔者首先使用最小平方中值法拟合出一组椭圆参数,然后利用中位数法剔除孤立点,最后使用卡尔曼滤波方法修正椭圆的参数,通过模拟实例和工程实例,证明该算法能够剔除孤立点,并且拟合出的椭圆具有较小的形状误差,因此该方法可以推广到实际工程中应用。
组合灰色预测模型在电力负荷预测中的应用
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。
灰色预测模型在电力负荷预测中的应用
方法的选择对电力负荷预测结果至关重要,本文通过对x(1)(1)增加干扰因素β,实现对初始值的优化,较已有研究文献使用x(1)(n)+β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。
自适应卡尔曼滤波在建筑物变形监测中的应用
卡尔曼滤波由于能够实时快速地处理大量的变形数据,并能够预测下一时刻的变化状态等特点,被广泛应用于多个领域的动态数据处理。本文论述了方差补偿自适应卡尔曼滤波模型,将自适应卡尔曼滤波模型应用到光纤光栅动态变形监测上,基于matlab编程实现模型的建立并运用该模型对建筑物变形进行分析与预测,取得了较好的效果,证实了方差补偿自适应卡尔曼滤波在滤波和预测方面的可行性。
自适应卡尔曼滤波在建筑物变形监测中的应用
本文参考有关文献并结合西安高新区sohu同盟北楼d7点沉降量观测数据分析实例。以卡尔曼滤波的4个特点(见本文末)。介绍了自适应卡尔曼滤波系统在建筑物变形监测的预测预报方面的应用及其优越性。
基于相似日和灰色理论的短期电力负荷预测研究
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.
灰色模型GM(1,1)在短期电力负荷预测中的应用
讨论了灰色模型gm(1,1)及其改进模型在短期电力负荷预测中的应用,提出了适合电网普通日及特殊日电力负荷预测的数据处理方法,提高了预测的精度。
灰色模型GM(1,1)在短期电力负荷预测中的应用
讨论了灰色模型gm(1,1)及其改进模型在短期电力负荷预测中的应用,提出了适合电网普通日及特殊日电力负荷预测的数据处理方法,提高了预测的精度。
基于RBF神经网络模型的电力系统短期负荷预测
电力系统短期负荷对电力企业的经济效益和社会效益都有一定影响。因此文中建立了基于rbf神经网络的电力系统短期负荷模型。用历史负荷数据作为训练样本,用训练好的神经网络进行电力系统短期负荷预测,并与bp神经网络进行对比。rbf神经网络的平均误差为2.09%,最大误差为4.77%,相比于bp神经网络精确度较高,有利于电力系统合理地进行调度规划工作。
基于SCE-UA支持向量机的短期电力负荷预测模型研究
支持向量机(supportvectormachine,svm)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现svm算法性能参数的设置将直接影响负荷预测的精度.为此在对svm参数性能分析的基础上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量机短期电力负荷预测模型建模的思路及关键参数的选取,在建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用sce-ua算法辨识svm的参数.贵州电网日96点负荷曲线预测的实际算例表明,所提sce-ua支持向量机模型不仅克服了svm参数选择的盲目性,而且能提高预测准确率,是一种行之有效的短期电力负荷预测模型.
文辑推荐
知识推荐
百科推荐
职位:暖通工程师(运维方向)
擅长专业:土建 安装 装饰 市政 园林