云計(jì)算和極限學(xué)習(xí)機(jī)的分布式電力負(fù)荷預(yù)測算法

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)值對預(yù)測結(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)測模型。最后,針對揚(yáng)州市高新區(qū)用電總量預(yù)測問題,通過與其它模型的對比實(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)測的精準(zhǔn)度。

將bp神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測。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)測結(jié)果評價(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。

提出了一種改進(jìn)的分布式極限學(xué)習(xí)機(jī)的電站鍋爐no_x排放特性建模方法。引入分布式和嶺回歸理論,提升了極限學(xué)習(xí)機(jī)預(yù)測算法的泛化性能和預(yù)測準(zhǔn)確率。采用改進(jìn)的mapreduce編程框架對提出的算法模型進(jìn)行并行化改進(jìn),提高其處理大數(shù)據(jù)的能力。選用某660mw電站鍋爐提供的真實(shí)運(yùn)行數(shù)據(jù)進(jìn)行分析,并在hadoop集群上進(jìn)行實(shí)驗(yàn),結(jié)果表明該模型對no_x排放有著較好的擬合和預(yù)測能力,且提出的算法具有優(yōu)異的并行性能。

負(fù)荷預(yù)測對電網(wǎng)規(guī)劃和售電市場調(diào)控具有重要意義。由于電力負(fù)荷與天氣、日期、區(qū)域等多個(gè)因素密切相關(guān),存在較強(qiáng)的不確定性和非線性特征,導(dǎo)致傳統(tǒng)方法的負(fù)荷預(yù)測精度較低。為了提高負(fù)荷預(yù)測精度,提出基于正交投影徑向基函數(shù)極限學(xué)習(xí)機(jī)(oprbf-elm)的短期電力負(fù)荷預(yù)測算法。該算法將elm的隱含層節(jié)點(diǎn)替換為徑向基神經(jīng)元,基于訓(xùn)練誤差二范數(shù)最小化準(zhǔn)則,采用正交投影計(jì)算輸出權(quán)值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓(xùn)練集均方根誤差(rmse)最小的預(yù)測負(fù)荷結(jié)果。算法預(yù)測過程中只需要設(shè)置網(wǎng)絡(luò)的徑向基神經(jīng)元(rbf)個(gè)數(shù),不需要調(diào)整輸入權(quán)值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關(guān)性,快速有效得到輸出權(quán)值向量,從而提高負(fù)荷預(yù)測精度。以我國某省電動(dòng)汽車用電領(lǐng)域的負(fù)荷數(shù)據(jù)作為標(biāo)準(zhǔn)樣本進(jìn)行仿真,仿真實(shí)驗(yàn)驗(yàn)證了該算法的可行性和有效性,與支持向量機(jī)(svm)和傳統(tǒng)rbf-elm相比,該算法的預(yù)測精度高、泛化能力強(qiáng),具有廣泛的實(shí)用性。

介紹極限學(xué)習(xí)機(jī)（elm）的原理，提出極限學(xué)習(xí)機(jī)模型的城市燃?xì)舛唐谪?fù)荷預(yù)測方法。以重慶市某區(qū)域燃?xì)馊肇?fù)荷、氣溫、日期類型及天氣狀況等數(shù)據(jù)為訓(xùn)練樣本，采用歸一化等預(yù)處理方法處理輸入數(shù)據(jù)，通過確定最優(yōu)隱含層節(jié)點(diǎn)數(shù)等建立最優(yōu)極限學(xué)習(xí)機(jī)模型。將實(shí)際值和通過采用極限學(xué)習(xí)機(jī)與支持向量機(jī)（svm）方法得到的燃?xì)馊肇?fù)荷預(yù)測值進(jìn)行對比，將采用極限學(xué)習(xí)機(jī)與支持向量機(jī)方法的訓(xùn)練時(shí)間和預(yù)測時(shí)間進(jìn)行對比，極限學(xué)習(xí)機(jī)預(yù)測方法具有較好的預(yù)測精度，且訓(xùn)練時(shí)間短。

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)測模型,其算法存在最終解過于依賴初值和過學(xué)習(xí)現(xiàn)象,并且訓(xùn)練過程中存在局部極小問題且預(yù)測精度低等缺點(diǎn)。為了提高電力負(fù)荷模型的預(yù)測精度,通過閱讀相關(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)測模型,該模型采用遺傳算法對權(quán)值和閾值進(jìn)行初始化,以相對誤差和附加動(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)測精度。

電力負(fù)荷數(shù)據(jù)管理系統(tǒng)是電力營銷技術(shù)支持系統(tǒng)的組成部分,對電力系統(tǒng)運(yùn)行有著重要的輔助作用。采用神經(jīng)網(wǎng)絡(luò)預(yù)測模型,設(shè)計(jì)輸入變量和確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法和算法,可以使得從歷史樣本知識數(shù)據(jù)到最終預(yù)測模型的建模過程變得簡單明了,便于實(shí)際應(yīng)用。預(yù)測方法是使用matlab建立模型,對24個(gè)負(fù)荷點(diǎn)預(yù)測,采用多輸入單輸出的神經(jīng)網(wǎng)絡(luò)預(yù)測每天的整點(diǎn)負(fù)荷值。因?yàn)殡娏ω?fù)荷與環(huán)境因素有關(guān),在輸入、輸出向量設(shè)計(jì)中輸入變量加入天氣特征值。根據(jù)輸入、輸出向量對bp網(wǎng)絡(luò)設(shè)計(jì)。該算法結(jié)構(gòu)簡單,最后進(jìn)行短期負(fù)荷預(yù)測仿真,仿真結(jié)果表明其有較好的預(yù)測精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),并考慮不同小時(shí)負(fù)荷差異,易于實(shí)現(xiàn),具有較高的預(yù)測精度,預(yù)測誤差在15%以下,一定程度上克服傳統(tǒng)算法收斂速度慢,容易陷入局部積小的缺點(diǎn)。

電力系統(tǒng)的管理和調(diào)度對精確的負(fù)荷預(yù)測模型有著極高的要求。為全面提高負(fù)荷預(yù)測模型的性能，提出一種新型的結(jié)合互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解（ceemd）和小波核函數(shù)極限學(xué)習(xí)機(jī)（wkelm）的短期電力負(fù)荷組合預(yù)測模型。首先通過ceemd將歷史電力負(fù)荷數(shù)據(jù)自適應(yīng)地分解為一系列相對平穩(wěn)的子序列，對各分量建立小波核極限學(xué)習(xí)機(jī)的預(yù)測模型，預(yù)測各分量的負(fù)荷值并對其進(jìn)行求和得到最終預(yù)測結(jié)果。用四種預(yù)測模型對真實(shí)的負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測，算例表明新模型在預(yù)測精度和效率上都具有一定優(yōu)勢，同時(shí)克服了傳統(tǒng)emd中容易出現(xiàn)的模態(tài)混疊問題以及elm中存在的過擬合等缺陷，具有一定的實(shí)際應(yīng)用潛力。

由于目前常用的電力負(fù)荷預(yù)測算法在預(yù)測精度和計(jì)算效率方面存在一些局限,本文提出一種基于電力負(fù)荷歷史數(shù)據(jù)挖掘的負(fù)荷預(yù)測算法。該算法基于粗糙集理論構(gòu)建了一種組合式神經(jīng)網(wǎng)絡(luò),該神經(jīng)網(wǎng)絡(luò)采用混合式神經(jīng)單元和并行子網(wǎng)絡(luò)結(jié)構(gòu),并基于分層聚類算法和特征曲線算法對電力負(fù)荷歷史數(shù)據(jù)進(jìn)行預(yù)處理,利用粗糙集對神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)和連接權(quán)值進(jìn)行屬性約簡,實(shí)現(xiàn)提高歷史數(shù)據(jù)準(zhǔn)確性、簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及降低輸入數(shù)據(jù)冗余的功能。通過仿真試驗(yàn)表明,該算法具有相對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法更好的預(yù)測精度,而且能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)的收斂效率提升約70%。

針對最小二乘支持向量機(jī)在電力負(fù)荷預(yù)測應(yīng)用中的參數(shù)優(yōu)化問題,將改進(jìn)粒子群算法引入到最小二乘支持向量機(jī)參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測模型(ipso-lssvm)。首先將最小二乘支持向量機(jī)參數(shù)編碼為粒子初始位置向量;然后通過粒子個(gè)體之間的信息交流、協(xié)作找到最小二乘支持向量機(jī)的最優(yōu)參數(shù),并針對標(biāo)準(zhǔn)粒子群算法的不足進(jìn)行相應(yīng)改進(jìn);最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測,并通過仿真對比實(shí)驗(yàn)測試其性能。實(shí)驗(yàn)結(jié)果表明,ipso-lssvm可以獲得較高準(zhǔn)確度的電力負(fù)荷預(yù)測結(jié)果,大幅度減少了訓(xùn)練時(shí)間,滿足電力負(fù)荷在線預(yù)測要求。

通過對電力負(fù)荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負(fù)荷預(yù)測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進(jìn)行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預(yù)測參考點(diǎn);然后利用蟻群優(yōu)化算法,考慮距離因素和相點(diǎn)演化的相關(guān)性因素,對粗選的預(yù)測參考點(diǎn)作進(jìn)一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預(yù)測日的負(fù)荷數(shù)據(jù)。實(shí)際算例驗(yàn)證了提出的方法具有較好的預(yù)測精度。

為了提高負(fù)荷預(yù)測的準(zhǔn)確性,引入了優(yōu)化組合預(yù)測模型,將幾個(gè)電力負(fù)荷預(yù)測模型有機(jī)地結(jié)合起來,通過綜合各個(gè)預(yù)測模型的優(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)測方法,運(yùn)算速度快,預(yù)測精度高,相對誤差小,有一定的實(shí)用價(jià)值。

提出了一種基于云模型的電力負(fù)荷預(yù)測模型.利用云模型中的云發(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(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).以國民生產(chǎn)總值為例,建立國民生產(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)測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測增長率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測值,獲得的預(yù)測結(jié)果精度高.

電力負(fù)荷預(yù)測是電力部門規(guī)劃的基礎(chǔ),因此運(yùn)用灰色系統(tǒng)理論對電力負(fù)荷預(yù)測進(jìn)行分析,首先對灰色系統(tǒng)理論進(jìn)行闡述,再通過實(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)測方法。

針對小樣本數(shù)據(jù),提出基于gm(1,1)模型進(jìn)行電力負(fù)荷預(yù)測模型,并通過實(shí)例表明該模型在電力負(fù)荷預(yù)測中的可行性;開發(fā)了基于gm(1,1)模型的電力負(fù)荷預(yù)測系統(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)測功能。

根據(jù)電力負(fù)荷的主要影響因素,考慮時(shí)間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(bp)的短期負(fù)荷預(yù)測.從bp神經(jīng)網(wǎng)絡(luò)的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和隱層節(jié)點(diǎn)數(shù),從而避免了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定和初始權(quán)值選擇的盲目性,提高了神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測的效率和精度使得負(fù)荷預(yù)測在更加合理的網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行.

提出了一種基于云模型的電力負(fù)荷預(yù)測模型。利用云模型中的云發(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(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)。以國民生產(chǎn)總值為例,建立國民生產(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)測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測增長率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測值,獲得的預(yù)測結(jié)果精度高。

住宅電力負(fù)荷預(yù)測 patrickday,michaelfabian,donnoble,georgeruwisch,ryanspencer, jeffstevenson,rajeshthoppay georgiainstituteoftechnology,northavenue,atlanta,ga30332,usa 摘要：智能電網(wǎng)技術(shù)的采用很大程度上驅(qū)動(dòng)了預(yù)付電力計(jì)量市場的進(jìn)步。先進(jìn) 的智能電表促進(jìn)了智能預(yù)付費(fèi)電表的預(yù)付費(fèi)系統(tǒng)的部署。一個(gè)成功的計(jì)劃取決于 能夠準(zhǔn)確為每個(gè)終端用戶預(yù)測每天的能量消耗。這種預(yù)測的方法稱為住宅電力負(fù) 荷預(yù)測(rplf)。本文描述了為推薦項(xiàng)目發(fā)起人開發(fā)一個(gè)的負(fù)荷預(yù)測模 型,smartgridcis的系統(tǒng)工程(se)流程和工具。基本概念是,電力付費(fèi)采用類似 于“預(yù)付電話費(fèi)”的方式。建模技術(shù)探討分析的替代方案(

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)測領(lǐng)域.本文應(yīng)用svm方法來建立電力負(fù)荷預(yù)測模型,首先以歷史負(fù)荷、天氣、日期類型作輸入數(shù)據(jù),然后對數(shù)據(jù)進(jìn)行歸一化處理,再利用svm構(gòu)建預(yù)測模型,svm在負(fù)荷預(yù)測方面具有較高的可信度與精準(zhǔn)度.

短期電力負(fù)荷預(yù)測器設(shè)計(jì) thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計(jì)任務(wù)書 一、設(shè)計(jì)內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)和學(xué)習(xí)方式，根據(jù)其學(xué)習(xí)方法，編寫算法進(jìn)行matlab仿 真，對仿真預(yù)測結(jié)果的精度進(jìn)行分析。 二、基本要求 1．選擇適合電力負(fù)荷預(yù)測的人工神經(jīng)網(wǎng)絡(luò)的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡(luò)模型的仿真。 3．得到仿真結(jié)果，對電力負(fù)荷預(yù)測結(jié)果的精度進(jìn)行分析。 三、主要技術(shù)指標(biāo) 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫matlab程序，對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)電 力負(fù)荷預(yù)測。 四、應(yīng)收集的資料及參考文獻(xiàn) [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[m].北京:化學(xué)工業(yè)出版社 [2]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計(jì)[m].北京:清華大學(xué)出版 社 [3]朱大奇.

針對短期電力負(fù)荷預(yù)測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)測模型;首先通過對日類型的判斷得到相同日類型的負(fù)荷數(shù)據(jù),然后對氣象數(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)測方法對相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測;仿真結(jié)果表明,選取了相似日之后的預(yù)測結(jié)果比未選取相似日的預(yù)測結(jié)果精度要高.

針對時(shí)間因素、季節(jié)因素和隨機(jī)因素對短期電力負(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短期電力負(fù)荷進(jìn)行預(yù)測,實(shí)現(xiàn)電力負(fù)荷短期預(yù)測值的自適應(yīng)調(diào)整,實(shí)時(shí)保證電力系統(tǒng)的供需平衡。對本地區(qū)進(jìn)行短期電力負(fù)荷預(yù)測仿真試驗(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)測系統(tǒng)具有較高的準(zhǔn)確度。