基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力，提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量，然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解，最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明，该方法能够对电力能耗数据进行合理预测，预测精度较高。     

灰色系统非线性回归电力负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差。针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型。将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

基于工艺的自适应数据质量多模型择优预测

针对钢铁企业实际生产过程中,采用单一预测模型进行预测难以把握大规模启停设备用电规律,预测精度较低等问题,根据生产-检修阶段的实际工艺情况,将生产,检修问题采用随机近似贪婪搜索RAGS对复杂特征进行特征选择,建立了一个自适应数据质量的多模型择优预测框架进行建模;将其应用于宝钢电网。仿真结果表明,提出多模型择优预测框架可以准确预测钢铁企业电力日负荷,为实现电力系统能源调度提供决策依据。     

需求侧响应下的电力负荷预测模型的改进

在电力负荷预测进行建模时,传统的预测模型需要消耗大量的电力负荷样本数据,同时不能准确描述电力系统内部的变化情况,降低了电力负荷预测的精度和可靠性。提出一种基于灰色预测模型的电力负荷预测模型的改进方法,分析了基本灰色预测模型的建模过程,同时依据需求侧响应约束条件对不符合约束条件的电力负荷预测结果进行剔除,从电力负荷原始数据的处理和灰色模型预测结果的修正两方面对其进行改进。实验结果表明,采用所提方法对电力负荷进行预测,得到的预测结果精度较高,性能优异。     

基于改进灰色预测模型的电力需求预测研究

当建模序列具有随机振荡特征时灰色预测模型的模拟及预测精度较差,实际上序列越光滑模型的模拟精度就越高;本文通过改善建模序列的光滑性以提高灰色预测模型的模拟精度,研究了一种压缩随机振荡序列振幅的算法,推导了基于随机振荡序列的灰色预测模型^x(t)=Fβt-31-(-1)tE-T;最后应用该模型预测我国西部某城市的电力需求,并与其他灰色预测模型的模拟精度进行了比较(新模型的模拟精度为7%,其他模型的精度均为12%),表明新模型具有更好的模拟效果,研究成果对丰富与完善灰色预测理论体系,促进灰色模型与电力需求预测的对接,具有积极意义。     

基于LSTM与XGBoost组合模型电价预测

为准确预测电力市场中的短期电价,提出了基于LSTM和XGBoost的组合预测模型。为了验证LSTM-XGBoost模型的有效性,该文先选用法国电力市场2019年1月1日至2020年12月31日的电价数据为训练集训练模型,对2021年1月1日不同模型预测的结果与实际电价值进行对比,得到LSTM-XGBoost以RMSE为0.74的误差率低于BP、LSTM、XGBoost的3.80、1.25、0.88,然后将算法应用到美国PJM电力市场,结果表明本文提出的LSTM-XGBoost组合预测模型MAPE平均值为1.83%,明显低于单一预测模型,也显著低于GRU-XGBoost组合模型,表明并非所有模型单一组合都能有效提高预测精度,该文提出的LSTM-XGBoost组合模型有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

基于粒子群优化算法的灰色模型在电力负荷预测中的应用

传统的灰色预测模型GM(1,1)在预测增长速度较快的电力负荷变化时,预测精度会大幅下降。针对GM(1,1)的这一局限性,本文引入了粒子群优化算法与传统的GM(1,1)相结合来求解灰色模型中的参数。通过对三组不同电力负荷的实例仿真,证明该模型在预测增长速度较快的电力负荷时具有较高的预测精度。     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

GM-LSSVM模型在建筑能耗预测中的应用

为提高大型公共建筑能耗的预测精度,提出一种基于灰色模型和最小二乘向量机方法(GM-LSSVM)的办公能耗预测模型.该方法结合灰色建模计算简单的特点,以及最小二乘支持向量机非线性拟合能力和泛化能力强的优势,充分发掘样本数据的规律,并以粒子群优化算法进行模型参数选择.根据福州某大型公共建筑能耗数据,通过本研究提出的方法建立预测模型,并与神经网络模型以及最小二乘支持向量机模型的预测结果进行比较,验证了该方法具备较高的预测精度和较强的泛化能力.     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度，提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量，再选取与预测日相似的训练模式，最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的，其与传统的神经网络预测模型相比具有更高的预测精度.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

改进的人工智能神经网络预测模型及其应用

针对传统人工智能预测算法在对预测问题峰值变化处理问题上的不足,引入峰值识别理论改进BP神经网络预测模型(SIBP).在此基础上,利用引入多向全局搜索机制的改进粒子群算法,对SIBP神经网络预测方法进行改进,提出一种具有峰值识别能力、全局学习能力更强的人工智能预测模型,以有效解决基于BP学习方法易于陷入局部极值的问题.将改进后的预测方法应用于"尖峰突变"比较突出的出清电价预测问题,以美国PJM电力市场2005-02-01至2005-05-16的实际数据为样本,对所提出的改进预测方法进行实证分析.研究结果表明:所提出的算法较改进前的BP算法对发生电价突变的短期电价预测精度提高10.16%,运算时间仅增加6.2 s,预测结果证明本文所提出的算法在处理峰值预测问题方面的有效性.     

组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

基于梯度提升决策树的风电功率预测

针对风电功率预测问题进行研究,为了提高风电功率预测的精度,首先利用拉依达法则对原始数据进行预处理,以此来保证数据的完整性和准确性,其次利用梯度提升决第树算法构建时间预测模型,并对该模型进行计算和验证。根据本研究的日前预测问题,将其同常规BP神经网络算法相比较,结果显示所提出的基于GBDT的风电功率预测模型较BP神经网络在该问题上具有更优的预测性能。     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

船舶电力负荷预测混沌时间序列分析法

为提高船舶电力系统安全稳定性,提出对船舶电力负荷时间序列进行预测.首先分析船舶电力负荷是否为混沌时间序列,利用相空间重构对船舶电力负荷时间序列的最大Lyapunov指数进行了定量计算,由计算结果发现船舶电力负荷具有混沌特性.在此基础上,提出了船舶电力负荷预测模型,该模型将混沌局域预测与灰关联相结合,并将相点间的关联性大小经过加权的方式作用于船舶电力负荷预测模型.实际船舶电力系统的计算分析表明,灰关联加权局域预测模型具有较高的预测精度,是一种有效的用于船舶电力负荷混沌时间序列的预测模型.     

基于IAO-LSSVM模型的基坑周围建筑物沉降预测: 以深圳华强南站地铁基坑为例

针对当前基坑开挖引发建筑物沉降预测模型存在精度不足、收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进天鹰算法(IAO)优化最小二乘支持向量机(LSSVM)的建筑物沉降预测模型。利用Tent混沌映射提高天鹰算法的种群多样性水平,再通过自适应权重强化算法的全阶段寻优能力;引入IAO算法优化LSSVM的正则化参数和核函数宽度,构建基于IAO-LSSVM的建筑物沉降预测模型,并将该预测模型在深圳华强南某地铁基坑工程中进行了验证。结果表明：该沉降预测模型相比于传统预测模型精度更高、收敛更快、跳出局部最优域的能力强;该模型预测值与实际沉降监测值吻合度较高,其误差在5 %左右,更适合预测城市中地铁基坑开挖引起的周围建筑物沉降。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。