FAPSO與SVM融合算法的電力日負(fù)荷預(yù)測(cè)

支持向量機(jī)svm作為機(jī)器學(xué)習(xí)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(jī)的回歸能應(yīng)用于預(yù)測(cè)領(lǐng)域.本文應(yīng)用svm方法來(lái)建立電力負(fù)荷預(yù)測(cè)模型,首先以歷史負(fù)荷、天氣、日期類型作輸入數(shù)據(jù),然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理,再利用svm構(gòu)建預(yù)測(cè)模型,svm在負(fù)荷預(yù)測(cè)方面具有較高的可信度與精準(zhǔn)度.

根據(jù)空調(diào)負(fù)荷的非線性特點(diǎn),提出了一種基于粒子群算法優(yōu)化誤差反向傳播(bp)神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)方法,針對(duì)bp網(wǎng)絡(luò)訓(xùn)練容易出現(xiàn)麻痹和易陷入局部極值,以及其預(yù)測(cè)空調(diào)負(fù)荷時(shí)精度不夠理想等現(xiàn)象,將粒子群算法的隨機(jī)全局優(yōu)化和梯度下降局部?jī)?yōu)化結(jié)合,達(dá)到改善神經(jīng)網(wǎng)絡(luò)泛化能力和提高空調(diào)負(fù)荷預(yù)測(cè)精度的目的。用該方法對(duì)的空調(diào)系統(tǒng)冷負(fù)荷與室外空氣的干球溫度、含濕量和太陽(yáng)輻射照度的關(guān)系進(jìn)行建模和預(yù)測(cè),通過(guò)實(shí)例驗(yàn)證了該優(yōu)化算法優(yōu)于bp網(wǎng)絡(luò),能更加有效地處理動(dòng)態(tài)空調(diào)負(fù)荷中的非線性問(wèn)題,獲得更可靠的預(yù)測(cè)結(jié)果。

為了提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性,引入了優(yōu)化組合預(yù)測(cè)模型,將幾個(gè)電力負(fù)荷預(yù)測(cè)模型有機(jī)地結(jié)合起來(lái),通過(guò)綜合各個(gè)預(yù)測(cè)模型的優(yōu)點(diǎn),得出更為準(zhǔn)確的結(jié)果。文中采用改進(jìn)蟻群算法作為優(yōu)化方法,并用實(shí)例證明,基于改進(jìn)蟻群算法的電力負(fù)荷組合預(yù)測(cè)方法,運(yùn)算速度快,預(yù)測(cè)精度高,相對(duì)誤差小,有一定的實(shí)用價(jià)值。

利用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)建立短期電力負(fù)荷預(yù)測(cè)模型,其算法存在最終解過(guò)于依賴初值和過(guò)學(xué)習(xí)現(xiàn)象,并且訓(xùn)練過(guò)程中存在局部極小問(wèn)題且預(yù)測(cè)精度低等缺點(diǎn)。為了提高電力負(fù)荷模型的預(yù)測(cè)精度,通過(guò)閱讀相關(guān)文獻(xiàn),構(gòu)建了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型,該模型采用遺傳算法對(duì)權(quán)值和閾值進(jìn)行初始化,以相對(duì)誤差和附加動(dòng)量法相結(jié)合的方式去計(jì)算權(quán)值修正量。比較改進(jìn)后的bp算法和標(biāo)準(zhǔn)bp算法在短期電力負(fù)荷預(yù)測(cè)的效果,從實(shí)驗(yàn)仿真的效果表明改進(jìn)后的模型提高了預(yù)測(cè)精度。

針對(duì)電力負(fù)荷短期預(yù)測(cè)問(wèn)題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(xué)習(xí)算法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來(lái)分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同類型的負(fù)荷差異,并對(duì)四川省電力公司某區(qū)一條線路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。

將bp神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測(cè)。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡(luò)構(gòu)造及預(yù)測(cè)結(jié)果評(píng)價(jià)方法。在南京市夏季電力負(fù)荷統(tǒng)計(jì)數(shù)據(jù)集上面的實(shí)驗(yàn)結(jié)果表明,bp神經(jīng)網(wǎng)絡(luò)能夠?qū)﹄娏ω?fù)荷進(jìn)行較好地預(yù)測(cè)。

針對(duì)時(shí)間因素、季節(jié)因素和隨機(jī)因素對(duì)短期電力負(fù)荷的影響,以某一地區(qū)電力負(fù)荷歷史數(shù)據(jù)為基礎(chǔ),利用模糊推理算法對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè),實(shí)現(xiàn)電力負(fù)荷短期預(yù)測(cè)值的自適應(yīng)調(diào)整,實(shí)時(shí)保證電力系統(tǒng)的供需平衡。對(duì)本地區(qū)進(jìn)行短期電力負(fù)荷預(yù)測(cè)仿真試驗(yàn),試驗(yàn)結(jié)果表明,使用模糊推理算法的短期電力負(fù)荷預(yù)測(cè)系統(tǒng)具有較高的準(zhǔn)確度。

鄭州大學(xué) 碩士學(xué)位論文 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法的研究 姓名：張德玲 申請(qǐng)學(xué)位級(jí)別：碩士 專業(yè)：電力系統(tǒng)及其自動(dòng)化 指導(dǎo)教師：陳根永 20070515 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法的研究 作者：張德玲 學(xué)位授予單位：鄭州大學(xué) 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

電力系統(tǒng)中每小時(shí)負(fù)荷具有波動(dòng)性,為了提高短期電力負(fù)荷預(yù)測(cè)的精度,本文提出第一個(gè)改進(jìn)的基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,此模型應(yīng)用布谷鳥(niǎo)優(yōu)化算法對(duì)小波神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化后,再對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。通過(guò)澳大利亞新南威爾士州的電力負(fù)荷數(shù)據(jù)的分析,與傳統(tǒng)的arima模型相比較,提出的改進(jìn)模型能夠很好地提高預(yù)測(cè)精度。

為了優(yōu)化極限學(xué)習(xí)機(jī)的參數(shù),提高短期負(fù)荷預(yù)測(cè)的準(zhǔn)確率,提出一種改進(jìn)粒子群算法的極限學(xué)習(xí)機(jī)(cspso-elm)預(yù)測(cè)模型。該模型利用粒子群算法(particleswarmoptimization,pso)尋找極限學(xué)習(xí)機(jī)(elm)網(wǎng)絡(luò)中最優(yōu)的輸入權(quán)值和隱層偏差值,得到輸出權(quán)值矩陣,以達(dá)到減少隨機(jī)參數(shù)誤差的目的。同時(shí)引入混沌自適應(yīng)策略,增強(qiáng)粒子群算法的多樣性,防止粒子群陷入局部收斂。在充分考慮天氣、濕度、假日因素和當(dāng)?shù)毓I(yè)產(chǎn)值對(duì)預(yù)測(cè)結(jié)果的影響下,提出一種基于該方法的極限學(xué)習(xí)機(jī)預(yù)測(cè)模型。最后,針對(duì)揚(yáng)州市高新區(qū)用電總量預(yù)測(cè)問(wèn)題,通過(guò)與其它模型的對(duì)比實(shí)驗(yàn),證明了改進(jìn)的粒子群算法優(yōu)化了極限學(xué)習(xí)機(jī)的參數(shù)結(jié)構(gòu),提高了電力負(fù)荷預(yù)測(cè)的精準(zhǔn)度。

首先,簡(jiǎn)要介紹了深度學(xué)習(xí)算法的有關(guān)內(nèi)容,包括深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的比較和深度學(xué)習(xí)的訓(xùn)練過(guò)程。其次,從負(fù)荷的日屬性、負(fù)荷的周屬性、溫度因素、節(jié)假日因素這幾個(gè)方面對(duì)負(fù)荷的特性進(jìn)行了研究。最后,根據(jù)負(fù)荷的歷史數(shù)據(jù),應(yīng)用深度學(xué)習(xí)算法進(jìn)行了短期負(fù)荷預(yù)測(cè),并將其預(yù)測(cè)結(jié)果與bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果做了比較。

為提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)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(jié)合,形成了粒子群優(yōu)化bp算法模型,建立了計(jì)及氣象因素的短期負(fù)荷預(yù)測(cè)模型.通過(guò)具體算例將此模型與單純的bp模型進(jìn)行比較,結(jié)果表明:該算法具有較高的預(yù)測(cè)精度,完全能滿足實(shí)際工程的要求.

針對(duì)電力負(fù)荷短期預(yù)測(cè)問(wèn)題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來(lái)分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同小時(shí)類型的負(fù)荷差異,具有較高的預(yù)測(cè)精度。分析了如何采用bp多層感知器的隱層數(shù)及隱層單元數(shù)。最后對(duì)四川省電力公司某區(qū)一條線路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。

針對(duì)短期電力負(fù)荷預(yù)測(cè)易受氣象因素影響的特點(diǎn),提出基于相似日和灰色理論的短期電力負(fù)荷預(yù)測(cè)模型;首先通過(guò)對(duì)日類型的判斷得到相同日類型的負(fù)荷數(shù)據(jù),然后對(duì)氣象數(shù)據(jù)序列進(jìn)行模糊化聚類處理,并結(jié)合預(yù)測(cè)日的氣象數(shù)據(jù),采用灰色關(guān)聯(lián)方法進(jìn)行關(guān)聯(lián)分析,選取與預(yù)測(cè)日關(guān)聯(lián)度高的負(fù)荷數(shù)據(jù)作為相似日負(fù)荷數(shù)據(jù),采用灰色預(yù)測(cè)方法對(duì)相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測(cè);仿真結(jié)果表明,選取了相似日之后的預(yù)測(cè)結(jié)果比未選取相似日的預(yù)測(cè)結(jié)果精度要高.

針對(duì)短期電力負(fù)荷預(yù)測(cè)易受氣象因素影響的特點(diǎn)，提出基于相似日和灰色理論的短期電力負(fù)荷預(yù)測(cè)模型；首先通過(guò)對(duì)日類型的判斷得到相同日類型的負(fù)荷數(shù)據(jù)，然后對(duì)氣象數(shù)據(jù)序列進(jìn)行模糊化聚類處理，并結(jié)合預(yù)測(cè)日的氣象數(shù)據(jù)，采用灰色關(guān)聯(lián)方法進(jìn)行關(guān)聯(lián)分析，選取與預(yù)測(cè)日關(guān)聯(lián)度高的負(fù)荷數(shù)據(jù)作為相似日負(fù)荷數(shù)據(jù)，采用灰色預(yù)測(cè)方法對(duì)相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測(cè)；仿真結(jié)果表明，選取了相似日之后的預(yù)測(cè)結(jié)果比未選取相似日的預(yù)測(cè)結(jié)果精度要高。

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中存在局部極小、收斂速度慢等問(wèn)題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行精準(zhǔn)預(yù)測(cè)。根據(jù)輸入輸出參數(shù)個(gè)數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個(gè)體賦給elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而建立基于pso-elman的電力負(fù)荷預(yù)測(cè)模型。采用某鋼廠實(shí)測(cè)電力數(shù)據(jù)對(duì)該方法和模型進(jìn)行驗(yàn)證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測(cè)方法進(jìn)行對(duì)比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時(shí)間的同時(shí)，具備更高的負(fù)荷預(yù)測(cè)精度和穩(wěn)定性。

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

提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型.利用云模型中的云發(fā)生器,分別將有限的國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長(zhǎng)率和增長(zhǎng)變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù).以國(guó)民生產(chǎn)總值為例,建立國(guó)民生產(chǎn)總值與電力負(fù)荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器.利用云規(guī)則推理器獲得電力負(fù)荷預(yù)測(cè)增長(zhǎng)率,將國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長(zhǎng)率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測(cè)值,獲得的預(yù)測(cè)結(jié)果精度高.

電力負(fù)荷預(yù)測(cè)是電力部門規(guī)劃的基礎(chǔ),因此運(yùn)用灰色系統(tǒng)理論對(duì)電力負(fù)荷預(yù)測(cè)進(jìn)行分析,首先對(duì)灰色系統(tǒng)理論進(jìn)行闡述,再通過(guò)實(shí)際案例進(jìn)行驗(yàn)證,最后得到一個(gè)較為精確的數(shù)值,為電力部門提供了一種行之有效的預(yù)測(cè)方法。

針對(duì)小樣本數(shù)據(jù),提出基于gm(1,1)模型進(jìn)行電力負(fù)荷預(yù)測(cè)模型,并通過(guò)實(shí)例表明該模型在電力負(fù)荷預(yù)測(cè)中的可行性;開(kāi)發(fā)了基于gm(1,1)模型的電力負(fù)荷預(yù)測(cè)系統(tǒng),實(shí)現(xiàn)了在實(shí)際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預(yù)測(cè)功能。

提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型。利用云模型中的云發(fā)生器,分別將有限的國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長(zhǎng)率和增長(zhǎng)變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù)。以國(guó)民生產(chǎn)總值為例,建立國(guó)民生產(chǎn)總值與電力負(fù)荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負(fù)荷預(yù)測(cè)增長(zhǎng)率,將國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長(zhǎng)率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測(cè)值,獲得的預(yù)測(cè)結(jié)果精度高。

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的靜態(tài)分析