蝙蝠算法优化极限学习机的电力负荷预测模型

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.     

基于改进机器学习算法的微电网短期负荷预测

为了对具有基数小、波动大及随机性强等特点的微电网负荷进行准确预测,提出了一种基于改进的机器学习算法。该算法包括基于蚁群算法的模型参数寻优和基于改进核函数极限学习机的预测模型2部分。首先,对蚁群算法信息素的作用方式进行了改进,并将训练误差用于计算蚁群个体的新增信息素,从而得到最优的模型参数。其次,采用基于加权离散距离的方法对训练数据进行筛选,留下相似度高的训练样本对核函数输出权重进行训练,从而减少计算量,提高预测精度。用某小区高层楼宇的电网历史负荷数据,在Matlab中对算法进行仿真验证,结果表明预测算法能较好地实现微电网的负荷预测。     

基于PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

基于时间序列编码和相关向量机的负荷短期预测

针对电力负荷短期预测精度不高的问题,提出一种基于时间序列编码和相关向量机的电力负荷短期预测方法.通过收集电力负荷实际数据,研究了日最大负荷数据之间的关系、日最大负荷与节假日的关系以及当日与对应星期数的相关性,并建立了相应的电力负荷短期预测模型.该模型采用相似日选择方法,给工作日和节假日赋予不同的权重,从电力负荷时间序列中筛选出与预测日特征相似的数据,对模型进行训练.与BP神经网络和支持向量机相比,该预测方法有更高的预测精度和更好的泛化能力,而且学习速度更快.     

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。     

基于EEMD和极限学习机的短期电力负荷预测模型

以集成经验模式分解(EEMD)与极限学习机(ELM)为理论基础,提出了将其有机结合进行短期电力负荷预测的方法。首先运用EEMD对短期负荷时间序列进行自适应分解,在此基础上针对分解后不同分量的变化特点,建立相对应的ELM模型进行预测,进而将各分量的预测结果重构以得到最终预测结果。通过实例分析表明该模型的预测精度要优于单极限学习机模型、单支持向量机模型和神经网络模型,同时也验证了该模型应用于短期负荷预测的有效性和可行性。     

基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型

短期电力负荷容易受到自然因素及社会因素的影响,这使得负荷预测比较困难.为了提高短期负荷的预测精度,提出了基于相似日搜索的改进局部均值分解(ILMD)和回声状态网络(ESN)相结合的短期电力负荷预测模型.首先用模糊聚类分析将与预测日最相似的多个日期筛选出来.然后把这些相似日的整点负荷数据按照时间先后排成一组数据序列,用改进的LMD进行分解,对分解出的各个分量分别建立一个ESN网络,对每一个网络分别训练并进行预测.最后把每个网络的预测结果累加起来就是最终的预测值.实验证明此方法能有效提高预测精度.     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

基于粒子群优化极限学习机数据预测模型研究

极限学习机(Extreme Learning Machine,ELM)是一种新型的前馈神经网络,该网络由广义逆直接求出输出层权重,使得其具有误差小、速度快的优点。但针对具体问题,ELM不能自动寻找到最佳的网络结构,从而造成该算法模型针对复杂、无规律性的数据精度及稳定性较差。为了提高极限学习机的泛化能力和预测精度,提出利用粒子群优化极限学习机算法对不同数据进行预测。使用粒子群算法(particle swarm optimization,PSO)选择最优的隐含层偏差和输入权值矩阵,计算出输出权值矩阵,从而提高ELM的精度及稳定性。并通过PSO-ELM和ELM分别对复杂程度不同的汽油辛烷值和交通流量数据进行算法预测比较发现,PSO-ELM优化算法对无规律性、复杂程度高的数据可以获得更高的精度,提高了数据预测的拟合能力。实验结果表明,PSO-ELM对于非线性、无规律性等复杂特性的数据预测具有一定的可行性和有效性。     

基于批次加权正则极限学习机的发酵过程软测量

为实现发酵过程重要变量的预测,提出基于批次加权正则极限学习机的软测量模型。结合发酵过程中各批次变量变化轨迹与发酵初始条件密切相关的特点,采用欧式距离描述各训练批次初始条件与预测对象初始条件之间的相似度,设计了一种新的相似度量化函数求解各训练批次的惩罚权值,实现了批次加权正则极限学习机建模;另外,针对正则极限学习机中的超参数估计问题,采用贝叶斯方法对超参数进行估计,降低了计算代价且实现了参数自适应估计。将其应用于青霉素发酵过程产物质量浓度的软测量中,仿真结果表明该方法预测精度高,效果好。     

基于改进Bi-LSTM和XGBoost的电力负荷组合预测方法

电力负荷预测在平衡能源分配、经济性和电力系统安全可靠运行方面发挥着重要作用,精准的负荷预测可以降低电力运行的成本和风险,提高电网环境效益和经济效益.首先根据加权灰色关联投影算法对数据进行预处理,然后应用注意力(Attention)机制来改进双向长短期记忆(Bi-LSTM)模型,并结合极端梯度提升(XGBoost)模型构...     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

基于极限学习机和熵值法的岩土灾变预警

滑坡的监测和预测是降低滑坡灾害的有效手段和可行方法。传统监测手段时效性差,采用统计预报模型、确定性模型等模型建立的预测模型精度相对较低。为了改善此问题,提出了一种基于综合测量、以极限学习机与熵值法结合的滑坡预警研究方法。通过分析滑坡的影响因子,搭建滑坡模拟监测平台,由多传感器实时监测到雨量、土壤浅层含水率、土壤深层含水率、下滑应力、地下位移、地表位移等影响滑坡的综合因子。将熵值法用在滑坡的评价中,将其综合评分作为危险性参数及综合测量参数作为训练样本,搭建极限学习机模型。结果表明:在综合测量方法下,将熵值法与极限学习机算法结合的预警模型得到的结果与实际情况一致,预测值与测量值吻合;其精度为98.48%,比BP神经网络精度更高;且网络的学习速度明显提高。可见该方法对滑坡预测的可行性,适用于复杂非线性的滑坡预测中,为建立滑坡预警模型提供了一种可行方法。     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。本文提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(Long Short-term Memory Network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(Variational Mode Decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于改进深度森林的短期电力负荷预测模型

深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。