EMD-ISMO算法在电力负荷预测中的应用

电力负荷是受多种因素影响的复杂非线性系统,具有明显的周期波动性和趋势性。利用集平稳化和层次化处理能力于一体的经验模态分解（EMD）方法处理非线性非平稳信号的有效性,对电力负荷数据进行平稳化处理,分离出12组IMF数据,包含若干个不同频率的平稳分量,能更明显地看出原负荷序列的周期项、随机项和趋势项;结合对负荷数据具有很好预测能力的改进SMO算法（ISMO）,对IMF数据进行分别预测和组合预测,提出了一种EMD-ISMO算法。实验结果表明,该方法无论在预测精度还是收敛速度上都比单纯的SMO算法有了很大改进,取得了很好的预测效果。

Abstract：

Electrical load is a complex nonlinear system which is affected by many factors.It has obvious volatile,cyclical,and tendency.Empirical mode decomposition （EMD） algorithm has smoothing and hierarchical processing ability.It can process the nonlinear and non-stationary digtal signal effectively.EMD algorithm was used to process the electrical load data.12 groups IMF data were decomposed,including a number of smooth components with different frequency.The cyclical term,random term and tendency term could be observed clearly.EMD-ISMO algorithm was proposed combining with the improved SMO algorithm（ISMO） which had perfect forecasting ability.Forecasting model was established with IMF data to forecast separately and jointly.The experimental results show that EMD-SMO algorithm can greatly improve the forcast accuracy and computation speed.It achieve very good forcast results.     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于混沌理论和LSSVM的蒸汽负荷预测

蒸汽是一种重要的二次能源, 如何预知热电厂在未来时刻需生产的蒸汽负荷, 对于安全、经济地向用户提供高质量的热负荷具有重要意义. 针对短期蒸汽负荷序列的预测问题, 首先证明了蒸汽负荷序列具有混沌特性, 根据Takens定理, 重构蒸汽负荷时间序列相空间, 分别采用C-C方法和Cao方法确定延迟时间和嵌入维数; 然后在相空间中, 利用最小二乘支持向量机(LSSVM)建立蒸汽负荷预测模型, 并采用模拟退火算法(SA)改进的粒子群优化算法(PSO), 即SA_WPSO算法对LSSVM参数的选择方法进行了优化, 结果证明该方法能够取得很好的预测效果.     

基于分解-聚类-集成学习的汇率预测方法

本文集成了经验模态分解(EEMD)、最小二乘支持向量回归(LSSVR)和K均值聚类方法,提出了一个新的外汇汇率预测方法,称为基于EEMD-LSSVR-K的分解-聚类-集成学习的外汇汇率预测方法.该方法利用聚类策略将分解-集成学习中固定权值集成学习扩展到基于局部数据特征加权的非线性集成加权学习,从而克服了分解-集成方法中集成学习阶段的不足.本文将该方法用于四种主要外汇汇率的预测,实证结果表明:在提前1天、提前3天和提前6天的预测中,本文所提出的EEMD-LSSVR-K方法的水平预测性能和方向预测性能显著地优于基准模型;同时也证实了聚类策略能够有效提高分解-集成模型的预测效果.     

基于最小二乘支持向量机的非线性系统建模

探讨了利用支持向量机进行非线性系统建模的方法。首先,利用相空间重构,将非线性时间数据序列映射到高维空间,以便把时间序列中蕴藏的信息充分显露出来。其次,基于最小二乘支持向量机(RLS-SVM)对系统进行建模,仿真结果表明,支持向量机具有良好的非线性建模能力和泛化能力,原始时间数据序列和重建时间数据序列相似,说明提出的算法能够有效的对非线性动态系统的时间序列进行建模。     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

基于改进Elman神经网络的燃气管网实时预测

在研究各种燃气管网工况预测方法的基础上,提出通过燃气管网中重要站点的气压变化模拟燃气管网的工况变化,并采用改进Elman神经网络通过在线学习建立燃气管网工况的实时模型,然后利用迭代一步预测的方法预测未来一段时间的燃气管网工况.根据河南某市燃气管网运行资料进行仿真,预测相对误差大部分都在±10%以内.仿真结果表明,采用此方法是可行的.     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.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相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

原空间中最小二乘支持向量机的新算法

为了解决原空间中最小二乘支持向量机的解缺乏稀疏性的缺点,提出了Pruning法、MFCV法和IMFCV法并对BDFS法进行了修改和运用。对一个不含有奇异点的系统而言,Pruning法、BDFS法和MFCV法在一定程度上都能实现原空间中最小二乘支持向量机解的稀疏性。BDFS法无论是训练时间还是预测时间都比Pruning法短;和MFCV法比起来,虽然BDFS法的训练时间短,但比MFCV的预测时间长。对一个含有奇异点的系统而言,Pruning法几乎失去了效用;虽然BDFS和MFCV法的训练时间都比IMFCV法的训练时间短,但IMFCV法能成功抑制奇异点从而缩短预测时间。     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.