基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

模糊聚类在电力负荷预测中的应用

根据电力市场负荷信息,结合相关历史数据与资料,分析电力市场的负荷走势,应用Matlab神经网络工具箱的信息处理技术,预测未来各月的负荷,为决策人员提供及时、科学的决策信息.应用相应的隶属度来描述负荷与影响负荷因素之间的关系.对安徽某地区的月负荷数据进行了具体计算,结果表明该方法的可行性和有效性.     

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.     

支持向量机在短期负荷预测中的应用

采用一种有效的负荷聚类分析处理技术,把FCM模糊聚类算法和支持向量机的短期负荷预测相结合。该方法考虑到负荷变化的周期性特点,应用模糊聚类分析的基本原理,对原始样本进行模糊聚类分析,选取与预测样本特征相似的样本作为训练样本,建造负荷预测的支持向量机模型。实例分析证明,该方法能够有效地提高负荷预测的精度,缩短了预测时间。     

基于模糊回归支持向量机的短期负荷预测

支持向量机(SVM)是一种新颖的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点.模糊数学在不确定性、不精确性及噪声引起的问题上,有其特有的计算分析操作,能有效地分析和处理模糊信息.研究了一种模糊回归支持向量机模型,该模型将两者有机结合,发挥了各自的优点.将其应用到电力系统短期负荷预测,仿真结果表明,所提方法不仅具有与支持向量机方法相同的预测精度,且提供了更多的有用信息.     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型，该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测．首先使用多孔算法对短期负荷序列进行小波分解，得到指定尺度下的近似系数和相关尺度下的小波系数，然后利用LS-SVM对预测点的系数进行多尺度组合预测，通过小波重构可以求得相应的预测值．结合某地区短期负荷需求数据进行了仿真试验，研究了预测点与历史记录数据的相关关系．预测结果表明，使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度，同时LS-SVM的引入大大提高了模型的可计算性．     

基于多模型模糊核聚类方法的污水处理过程软测量建模

针对污水处理过程高度非线性及强耦合性的特点,基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出了一种基于模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法根据不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对每个聚类子集用最小二乘支持向量机方法建立子模型,最终通过子模型切换策略得到系统输出。在污水处理过程仿真平台展开验证工作,对生化需氧量BOD的软测量进行建模,获得了良好的实验结果。     

混沌优化PSO-LSSVM算法的短期负荷预测

高渗透率随机性、间歇性分布式电源的大量接入,给传统配电系统的安全、经济和可靠运行带来了一系列的问题,使得传统的负荷预测方法已不再适用.针对这一问题,提出了利用混沌优化粒子群最小二乘支持向量机(PSO-LSSVM)的算法实现对短期电力系统负荷的精确预测.利用粒子群(PSO)算法的全局搜索能力和混沌算法随机、遍历的特性,使其分别克服选参时的盲目性和寻优时粒子群(PSO)算法易出现早熟而陷入局部最优的缺点.最后在Matlab2014a软件平台上验证了混沌优化PSO-LSSVM算法的有效性和收敛性.     

基于聚类分析的短期负荷智能预测方法研究

短期电力负荷预测作为电网企业的基本工作,其精度的提高对于电网企业运营管理和调度管理具有较大的意义,然而由于电力负荷受到诸多非线性因素的影响,因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的k-means聚类技术对训练集的气象数据进行聚类分析,分析提取相似日,在提取相似日的相关历史数据后,建立支持向量机模型进行短期电力负荷预测.经算例结果证明,由该方法得出的预测结果平均相对误差为0.88%,和同结构支持向量机预测的平均相对误差(1.66%)以及ARMA预测的平均相对误差(3.81%)相比,预测精度得到明显的提高,证明了该方法的有效性.     

基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用

高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.     

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.     

基于免疫模糊聚类算法的电网抗差状态估计

提出了一种基于免疫进化模糊聚类算法的电网抗差状态估计方法.该方法首先计算出量测数据的标准残差rN和相邻采样时刻量测值之差Δz,初步将量测数据划分为可疑数据和可靠数据.分别在0.5～1和0～1之间随机生成可靠数据和可疑数据的隶属度,形成初始分类矩阵,克服了整个分类矩阵在0～1之间随机生成的缺陷,并大大加快了算法的收敛速度.之后以γN和△z为特征值,应用免疫进化算法对分类矩阵进行模糊聚类,以获得各个量测量的良数据隶属度.依据各个量测量的良数据隶属度,进一步将量测数据划分入淘汰区、降权区、保权区进行状态估计.该方法能获得较高的抗差能力和状态估计精度,且数值稳定性较好.对IEEE14节点系统的算例仿真表明了该方法的有效性.     

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。     

基于移动窗的多核最小二乘支持向量机建模算法

针对时变工业过程建模中存在的模型泛化性和适应性较低的问题,利用移动窗技术,通过使用多个核函数,提出了一种基于移动窗的多核最小二乘支持向量机(LSSVM)建模算法.该算法在最小二乘支持向量机算法基础上,利用多核组合代替单核,增强了模型的泛化能力;利用移动窗技术,增加了模型对时变工业过程的动态辨识能力及模型的更新效率.仿真实验结果表明,该算法具有更好的泛化性能.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

改进人工免疫网络算法在电力短期负荷预测中的应用

针对现有的短期负荷预测方法易陷入局部极值以及预测精度不高等缺陷,文中提出了一种基于改进免疫算法优化BP神经网络的短期智能负荷预测方法.通过利用改进的矢量距优化免疫网络,从而达到优化网络的目的.融入免疫调节原理,引入抗体浓度的概率选择式,采用自适应变化策略重新设计变异算子,利用新的变异尺度设计种群抗体,采用新的神经元适应度函数,并结合免疫网络调节的进化算法进行网络学习.实例分析表明,基于改进免疫网络优化的BP网络短期负荷预测算法比混沌算法优化BP网络算法精度更高,更具实用性.     

基于模糊支持向量的多标签分类方法

单实例多标签分类是指一个样本拥有多个标签的分类问题,对此提出了一种基于半模糊核聚类和模糊支持向量机的多标签分类算法.该算法采用一对一分解策略将多类多标签数据集分解为多个两类双标签数据子集,在每个子集上训练两类双标签模糊支持向量机.为提高分类器的性能引入了半模糊核聚类技术.实验结果表明,与现有的一些算法相比新算法具有其优...