小波支持向量机与相空间重构结合的短期负荷预测

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;训练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性。对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度。

风力发电具有波动性、间歇性和随机性的特点,风力发电的并网给电力系统的安全运行带来了严峻挑战,因此,实现风电场风速的预测具有重要意义。支持向量机是发展比较好的一种常用的风速预测方法,但是由于其输入特征对预测的精度影响比较大,所以特征的选择一直是人们所关注的问题。文章提出采用相空间重构理论对风电场风速进行预测,并通过与使用自然特征作为输入特征的预测方法作比较,验证了基于相空间重构的支持向量机的预测方法的优越性。

在电改背景下,文章提出一种基于判别分析和支持向量机结合的在建工业园区月度负荷需求预测模型。针对近期将入驻园区的企业,参照当前同行业负荷数据,进行预测；对园区现有企业,基于96点负荷数据及其相关影响因素,判断其增容需求。从而结合两项结果对园区近期电力需求进行综合预测,为园区配电网规划提供决策依据。

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘(pls)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(svm)对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。

偏最小二乘(pls)运算降低电力负荷数据之间的相关性,最小二乘支持向量机(ls-svm)可以获得模型的全局最优预测效果,减少预测过程的运算量。介绍了pls和ls-svm的基本原理,给出了pls-ls-svm建立短期日电力负荷预测模型的过程,并用于某地区2008年的用电日负荷预测,预测的平均相对误差和最大相对误差分别为0.685%和8.8599%。与基于ar(1)模型的预测结果相比,pls-ls-svm模型更高的预测准确性可为短期电力负荷预测提供有效依据。

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.

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。

提出一种联合灰色模型(greymodel,gm)和最小二乘支持向量机回归(leastsquaresupportvectorregression,lssvr)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正β参数的gm(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。

基于支持向量机的建筑物空调负荷预测模型——建立了基于支持向量机理论的建筑物空调负荷预测模型。对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用模型和神经网络模型进行了训练和预测。仿真结果表明,模型具有更高的预测精度和更好的泛化能力,是建筑物空...

建立了基于支持向量机(svm)理论的建筑物空调负荷预测模型。对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用svm模型和bp神经网络模型进行了训练和预测。仿真结果表明,svm模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法。

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。

实行负荷预测是空气调节系统优化运行的基础,如何选择工程应用切实可行的方法,仍然是一个值得探讨和研究的问题。支持向量机(svm)算法在解决小样本、非线性及高维模式识别中表现出许多特有的优势。本文将支持向量机算法引入空调负荷预测中,对深圳市夏季六、七月份的逐时空调负荷,分别用svm模型和armax模型进行了训练和预测,结果表明svm模型适用于空调负荷预测,具有很好的泛化能力。

提出将小波分析和时间序列应用于空调负荷预测;利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上,分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预测,最后再合成得到原时间序列的预测值。预测结果表明,该模型应用于空调负荷预测具有较高的预测精度,而且明显优于传统的时间序列模型。

负荷预测对电网规划和售电市场调控具有重要意义。由于电力负荷与天气、日期、区域等多个因素密切相关,存在较强的不确定性和非线性特征,导致传统方法的负荷预测精度较低。为了提高负荷预测精度,提出基于正交投影径向基函数极限学习机(oprbf-elm)的短期电力负荷预测算法。该算法将elm的隐含层节点替换为径向基神经元,基于训练误差二范数最小化准则,采用正交投影计算输出权值向量,并在核函数的数量取值范围内索引获取使得训练集均方根误差(rmse)最小的预测负荷结果。算法预测过程中只需要设置网络的径向基神经元(rbf)个数,不需要调整输入权值及隐含层偏差,且正交投影能较好地消除输入样本特征之间的相关性,快速有效得到输出权值向量,从而提高负荷预测精度。以我国某省电动汽车用电领域的负荷数据作为标准样本进行仿真,仿真实验验证了该算法的可行性和有效性,与支持向量机(svm)和传统rbf-elm相比,该算法的预测精度高、泛化能力强,具有广泛的实用性。

小波时间序列在空调负荷预测中的应用——文章提出将小波分析和时间序列应用于空调负荷预测；利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上，分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预测，最后再...

结合支持向量机模型和小波框架理论,建立了沉降预测模型,并对杭州市某小区的危旧建筑物进行了沉降预测,结果表明该模型预测精度较高,可以较好地预测建筑物沉降的发展趋向,适用于建筑沉降预警工作。

由于中央空调系统的时滞性、时变性、非线性和大惰性等特性,使得当前采用的中央空调负荷预测算法精度并不高,本文在江阴某楼宇空调系统节能改造项目的基础上,从中央空调系统的组成和特性出发,提出了基于支持向量回归机（supportvectorregressionsvr）理论的中央空调负荷预测模型。对项目楼宇历史负荷数据进行分析,分别采用svr负荷预测模型和bp神经网络负荷预测模型进行了训练和预测。预测结果表明：基于svr负荷预测模型较bp神经网络负荷预测模型精度更高,具有较强的实用性和可行性。

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。

准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是冷热电三联产技术发挥优势的关键所在。本文提出一种小波网络应用于空调负荷的预测模型,通过小波分解,把空调负荷序列分解为不同频段的小波系数序列,再将各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的bp神经网络模型进行预测,最后合成空调负荷序列的最终预测结果。该预测模型中的低频小波系数a3和中频小波系数d3的神经网络输入变量为前1天小波系数值和对应时刻的温度、相对湿度、风速、总辐射量、天气状况和星期几编码共7个因子,并采用主成分分析法进行输入变量的降维;高频小波系数d2和d1以前几日的小波系数为输入因子。经过对西安市某综合楼的空调负荷进行预测,证明了预测值和实际运行值拟和很好,相对误差为-10%~8%。该预测模型具有预测精度较高、推广能力较强及计算速度较快的优点。

采用小波分析的方法对地铁原始监测数据进行去噪处理,将得到的平稳可靠的监测数据用于建立支持向量机训练集,进行沉降预测.实际沉降数据处理和预测结果显示,小波分析方法能够准确提取监测数据中的沉降趋势性信息,w-svm组合算法能够显著提高沉降预测的精度.

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与bp神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。

基于支持向量机的空调控温过程实时预测——文章分析了空调工作过程中温度控制的重要性与传统方法的不足，将基于统计学习理论的支持向量机方法用于控温过程中，对温度进行实时预测。采用数字实验对所提方法的可行性进行验证，结果表明该方法可以获得比传统方法更...