基于QPSO-ELM-KF的电力系统短期负荷预测

为保证日常电力系统的正常运行,满足其生产活动安排、电力经济调度以及电网安全分析的要求,必须要进行电力系统短期负荷的预测。为提高预测精度和稳定性,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)与卡尔曼滤波(KF)相结合的电力系统短期负荷预测模型。该模型首先通过ELM预测各时间点的电力负荷值,其中,根据QPSO算法本身的特性以及在参数寻优方面的优势,利用其对ELM网络结构中输入层-隐含层的权值和隐含层的阈值进行寻优;然后,利用KF算法将得到的预测值做进一步的更新和优化,从而得到各时刻的最优估计值,最终以实现对短期电力负荷的精准预测。实验表明,使用QPSO-ELM-KF预测模型进行短期电力负荷预测,预测精度有进一步的提高。     

基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。     

基于PSO-ELM的中国石油股票价格预测建模

为了提高股票价格预测的精度,针对中国石油股票价格预测问题,提出了粒子群算法(Particle Swarm Optimization,PSO)优化极限学习机(Extreme Learning Machine,ELM)的股票价格预测模型。通过粒子群算法对极限学习机的权值以及阈值参数进行优化,构建PSO-ELM预测模型,并将其用于中国石油股票价格预测。仿真实验表明,与ELM、PSO-BP、DE-ELM相比,其预测均方误差分别下降了1.84%、1.07%、0.97%,拟合优度决定系数R2为0.974 3,即PSO-ELM有着较高的预测精度。为了给股票投资者更好的投资建议,对PSO-ELM模型分别进行股价短期、中期、长期的预测,结果表明PSO-ELM模型短期预测精度较高,随着时间的推移预测的精度有所下降。     

基于GRNN的电力系统短期负荷预测

提出了基于广义回归神经网络(GRNN)模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型,以此作为对GRNN进行训练的向量样本集.通过实例表明GRNN应用于电力系统短期负荷预测是可行并且有效的,其预报结果比多层前馈神经网络误差反向传播(BP)负荷预测方法更准确.     

基于PSO-SVR模型的短期天然气负荷预测

针对天然气负荷影响因素选择困难,冗余因素会影响负荷预测的精度和速度,使用特征选择Relief算法对影响负荷值的因素进行筛选,去掉冗余影响因素,为准确地预测天然气负荷提供一定的数据基础;在进行负荷预测时,单一的支持向量回归(support vector regression, SVR)会陷入重要参数难以选取最优的情况,为了解决这一问题,提出一种基于特征选择上的粒子群算法(particle swarm optimization, PSO)优化SVR重要参数的组合模型PSO-SVR。所提出的算法首先使用特征选择选取影响因素,为负荷预测提供主要的数据支持;然后,设置SVR的3个关键参数的初始值,进行迭代得到最优的关键参数值;最后,将影响因素和负荷值输入PSO-SVR模型进行训练并预测。使用榆济管线的负荷数据进行预测并对比。结果表明：提出的算法比其他单一模型的预测精度高,能为天然气负荷预测的研究提供参考,为天然气公司购气量提供依据。     

基于特征选择和优化极限学习机的短期电力负荷预测

针对负荷预测过程中特征量难以确定以及极限学习机(ELM)存在因随机产生的初始权值和阈值导致输出稳定性低的问题,提出了基于格拉姆施密特正交化与皮尔逊相关性分析相结合的特征选择方法(GSO-PCA)和改进灰狼算法(IGWO)优化ELM的短期电力负荷预测模型(IGWO-ELM)。对两种不同类型的特征分别使用GSO算法和PCA进行优选,并根据平均绝对百分比误差(MAPE)确定最优特征集,与传统的经验特征选择、最大互信息系数特征选择、随机森林特征选择比较,GSO-PCA特征选择的MAPE分别降低了1.3%、0.55%和0.83%,验证了其优越性;将Tent混沌映射和粒子群优化算法(PSO)融入到灰狼优化算法中,得到IGWO,并利用两种典型的测试函数对IGWO性能进行测试,证明了其具有更强的寻优能力;使用IGWO算法对ELM的初始权值和阈值进行动态优化,建立IGWO-ELM短期负荷预测模型。将拟合优度检验系数、平均绝对误差、均方根误差和MAPE作为评价指标,结合实例分析,与传统的模型进行比较。仿真结果表明：所提预测模型得到的4个评价指标分别为0.997 8、54.90 kW、72.02 kW和1....     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。     

基于PSO-ELM的水平井自喷期“多段式”产量预测方法——以玛湖油田百口泉组致密砾岩油藏为例

准确预测油气井动态产量对油田高效开发意义重大,是单井累产油预测以及部署政策优化的关键。玛瑚油田百口泉组致密砾岩油藏水平井自喷期产量呈“多段式”特征,在实际生产过程中,油气井产量受储层物性、压裂工艺参数等多种因素综合影响,传统产量预测方法及数值模拟法考虑影响因素有限,预测方法适用性差。在产量特征认识基础之上,利用主成分分析法优选油层厚度、地层压力、总砂量、渗透率、压裂簇数及含油饱和度六个主控因素,采用粒子群算法优化ELM的输入权值与隐含层偏置,建立了玛湖油田水平井产量预测模型。预测结果表明,PSO-ELM对比传统预测模型具有计算速度快、泛化能力强、预测精度高的优点,利用该方法预测了5口水平井的单井产量,平均误差在2.14%~5.28%,与实际产量吻合良好。     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于PSO-ELM的双目视觉摄像机标定

针对极限学习机( extreme learning machine,ELM)在隐层节点数较少时标定精度较低的问题,利用粒子群优化算法( particle swarm optimization,PSO)与极限学习机相结合的方法对双目视觉摄像机进行标定。在标定过程中,ELM直接描述图像信息与三维信息之间的非线性关系,然后利用PSO优化ELM的输入权值与隐层阈值。实验结果表明,与ELM相比较,基于粒子群极限学习机( PSO-ELM)的双目视觉摄像机标定方法能仅用较少隐层节点数获得较高精度。     

电力系统短期负荷预测

应用经济学中市场需求预测的季节性交乘趋势模型预测城市电网的电力短期负荷，与线性递推最小二乘法估计的ＡＲ模型ＡＲＭＡ模型，分解组合模型和基于卡尔曼滤波的状态空间法比较的结果表明，其计算精度和效率均较优，在此基础上，结合我国电网运行的实际情况，提出一种新的法定节假日的预测方法－基础年选择法，获得满意计算结果。     

基于人工神经元网络的电力系统短期负荷预报的实用计算

本文针对贵州电力系统日负荷的特点，提出了一种利用人工神经网络（ＡＮＮ）的ＢＰ模型进行电力系统提前２４小时的短期负荷预报的实用计算方法。进一步对ＢＰ模型的隐合层数和隐合节点数的选取进行定性的分析，同时探讨学习因子和动量项对学习收敛的影响分析，预测方法及结果得到肯定。     

基于PSO聚类分析和RBF网络的短期电价预测

针对短期电价预测具有的周期性及难预测性等特点,研究现存的人工神经网络预测方法,提出一种基于PSO聚类分析和RBF网络的短期电价预测方法。利用粒子群算法优化聚类分析的聚类半径,并用优化后的聚类方法对电价的历史数据按相似的程度分类,得到一类相似度最高的数据作为输入数据并进行预处理,建立相应的RBF网络预测模型,对短期电价进行预测仿真。通过实例分析验证了该预测模型能够有效、稳定地将预测精度提高至0.3%左右。     

灰色改进等维新息GM（1，1）模型在电力系统长期负荷预测中的应用

本文分析了灰色系统预测ＧＭ（１，１）模型用于长期负荷预测时的局限性，针对电力系统需求增长的特点，提出了灰色改进等维新息ＧＭ（１，１）模型，对江苏电网的用电量进行测算的结果表明，采用改进等维新息ＧＭ（１，１）模型进行长期负荷预测的精度高于一般灰色ＧＭ（１，１）模型的预测精度，给出了程序框图与测算结果。     

基于灰色系统模型预测高校办学效益

对高校办学效益评估预测是高校战略管理的一项重要内容。灰色系统模型是高校办学效益预测的重要工具,它将发挥越来越重要的作用。本文着重介绍灰色系统模型及其在高校办学效益中的应用,并进行实例验证,以探索一条新的办学效益评估预测方法。     

在线短期负荷预测方法的研究与应用

根据电力系统负荷的特性，提出了一种在线短期负荷预测方法：用“周期模型”来描述并预测负荷的周期变化分量，再用ＡＲＭＡ模型对周期模型的残差进行建模并用Ｂｏｘ—Ｊｅｎｋｉｎｓ方法进行预测．模型参数的辨识采用在线辨识算法，因而对负荷的变化特性具有较强的适应性．实践结果表明，该方法具有很好的预测效果．     

基于RBF神经网络的超市客户保持预测模型研究

利用RBF神经网络数据挖掘算法建立了超市客户保持预测模型,在MATLAB开发环境下进行程序设计和仿真分析,并与BP算法进行对比,完成了超市客户保持预测的任务,分析了该算法的优越性.     

基于联系数贴近度的三角模糊数组合预测模型

针对三角模糊数预测问题,将三角模糊数转化为对应的三元联系数,以三元联系数的贴近度作为最优准则,引入广义加权平均（GOWA）算子,建立了基于三元联系数贴近度的三角模糊数组合预测模型,并证明了该模型为优性组合预测模型。通过实例分析验证了该模型是有效的,能够有效提高预测精度,并对GOWA算子中的参数进行了灵敏度分析。     

煤炭需求量增长率预测的非线性动力学模型

从非线性动力学观点出发，以煤炭需求量增长率的时间序列为基础，研究了其所蕴含的动力学特征；求解了该系统的相空间特征及其吸引子，建立了煤炭需求量增长率预测的非线性动力学模型，并采用Kolmogorov嫡给出了模型的时间尺度．图1，表1，参3。