偏最小二乘(pls)運算降低電力負荷數據之間的相關性,最小二乘支持向量機(ls-svm)可以獲得模型的全局最優預測效果,減少預測過程的運算量。介紹了pls和ls-svm的基本原理,給出了pls-ls-svm建立短期日電力負荷預測模型的過程,并用于某地區2008年的用電日負荷預測,預測的平均相對誤差和最大相對誤差分別為0.685%和8.8599%。與基于ar(1)模型的預測結果相比,pls-ls-svm模型更高的預測準確性可為短期電力負荷預測提供有效依據。

文章分析了影響電力負荷的因素,對現存的短期電力負荷預測方法進行了研究,采用粒子群算法對支持向量機進行參數尋優,建立了基于粒子群優化的預測模型,并對短期電力負荷進行預測仿真,為精準且快速地預測短期電力負荷提供了有效的方法。通過實例分析驗證了該模型在電力負荷中的預測精度,結果顯示其精度值較高。

根據電力負荷序列的混沌特性,提出混沌理論和蟻群優化支持向量機結合的電力系統短期負荷預測新方法,以相空間重構理論確定支持向量機的輸入量個數;訓練樣本集由對應預測相點的最近鄰相點集構成,且是按預測相點步進動態相軌跡生成;采用蟻群優化算法對支持向量機敏感參數進行優化,從而可增強預測模型對混沌動力學的聯想和泛化推理能力,提高負荷預測的精度和提高預測穩定性。對某地區負荷系統日、周預測仿真測試,證明其可獲得穩定的較高預測精度。

提出一種聯合灰色模型(greymodel,gm)和最小二乘支持向量機回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負荷智能組合預測方法。在考慮負荷日周期性的基礎上,通過對歷史負荷數據的不同取舍,構建出各種不同的歷史負荷數據序列,并對每個歷史數據序列分別建立能修正β參數的gm(1,1)灰色模型進行負荷預測;采用最小二乘支持向量機回歸算法對不同灰色模型的預測結果進行非線性組合,以獲取最終預測值。該方法在充分利用灰色模型所需原始數據少、建模簡單、運算方便等優勢的基礎上,結合最小二乘支持向量機所具有的泛化能力強、非線性擬合性好、小樣本等特性,提高了預測精度。仿真結果驗證了所提出組合方法的有效性和實用性。

負荷預測是電力系統研究和電網規劃的重要組成部分。采用隱馬爾可夫模型,訓練過程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進行訓練,得到負荷特性預測最優模型,解碼預測過程采用viterbi算法,通過模型可預測下一年地區負荷特性。以廣東電網2011年至2016年負荷數據作為訓練數據對隱馬爾可夫模型進行訓練,并對2017年廣東典型日負荷率進行預測,仿真結果具有較優的準確性和計算效率。

針對最小二乘支持向量機在電力負荷預測應用中的參數優化問題,將改進粒子群算法引入到最小二乘支持向量機參數中,建立一種新型的電力負荷預測模型(ipso-lssvm)。首先將最小二乘支持向量機參數編碼為粒子初始位置向量;然后通過粒子個體之間的信息交流、協作找到最小二乘支持向量機的最優參數,并針對標準粒子群算法的不足進行相應改進;最后將其應用于電力負荷建模與預測,并通過仿真對比實驗測試其性能。實驗結果表明,ipso-lssvm可以獲得較高準確度的電力負荷預測結果,大幅度減少了訓練時間,滿足電力負荷在線預測要求。

提出了一種基于云模型的電力負荷預測模型.利用云模型中的云發生器,分別將有限的國民生產總值和工業生產總值的增長率和增長變化率樣本數據空間擴充為更具隨機性和普遍性的擴展樣本數據.以國民生產總值為例,建立國民生產總值與電力負荷之間的規則推理,構造云規則推理器.利用云規則推理器獲得電力負荷預測增長率,將國民生產總值和工業生產總值獲得的電力負荷預測增長率進行加權平均,并換算得到最終的電力負荷預測值,獲得的預測結果精度高.

針對小樣本數據,提出基于gm(1,1)模型進行電力負荷預測模型,并通過實例表明該模型在電力負荷預測中的可行性;開發了基于gm(1,1)模型的電力負荷預測系統,實現了在實際工作中所要求的數據錄入、查詢、分析和預測功能。

提出了一種基于云模型的電力負荷預測模型。利用云模型中的云發生器,分別將有限的國民生產總值和工業生產總值的增長率和增長變化率樣本數據空間擴充為更具隨機性和普遍性的擴展樣本數據。以國民生產總值為例,建立國民生產總值與電力負荷之間的規則推理,構造云規則推理器。利用云規則推理器獲得電力負荷預測增長率,將國民生產總值和工業生產總值獲得的電力負荷預測增長率進行加權平均,并換算得到最終的電力負荷預測值,獲得的預測結果精度高。

隨著我國經濟建設的不斷發展，社會用電量不斷增長，電廠和電網規模不斷擴大，這就對電力部門的安全、經濟運行提出了更高要求。負荷預測是電力市場技術支持系統的一個重要組成模塊，尤其是短期電力負荷預測方法易受隨機因素的干擾，針對短期負荷預測的特點，將數據挖掘技術引入短期負荷預測中，極大地提高了預測精度，對于保障電力運行的安全性和經濟性具有重要作用。基于數據挖掘技術的短期電力負荷預測進行了探討，希望對相關單位有所幫助。

提出了1種基于混沌分析和支持向量回歸機的短期空調負荷預測建模方法。通過研究實際空調負荷序列的混沌特性,確定其混沌特征參數并選取支持向量回歸機進行預測。支持向量機建模過程使用粒子群算法進行參數尋優。仿真結果表明,空調負荷序列具有一定的混沌特性,使用混沌支持向量機方法的預測精度比單一支持向量機法預測結果eep指標降低了31.4%,預測精度有了明顯提升。

基于支持向量機的建筑物空調負荷預測模型——建立了基于支持向量機理論的建筑物空調負荷預測模型。對廣州地區某辦公樓夏季不同月份的逐時空調負荷,分別用模型和神經網絡模型進行了訓練和預測。仿真結果表明,模型具有更高的預測精度和更好的泛化能力,是建筑物空...

建立了基于支持向量機(svm)理論的建筑物空調負荷預測模型。對廣州地區某辦公樓夏季不同月份的逐時空調負荷,分別用svm模型和bp神經網絡模型進行了訓練和預測。仿真結果表明,svm模型具有更高的預測精度和更好的泛化能力,是建筑物空調負荷預測的一種有效方法。

短期電力負荷預測器設計 thedesignofshorttermpowerload prediction 畢業設計任務書 一、設計內容 結合人工神經網絡模型的特點和學習方式，根據其學習方法，編寫算法進行matlab仿 真，對仿真預測結果的精度進行分析。 二、基本要求 1．選擇適合電力負荷預測的人工神經網絡的模型。 2．利用matlab軟件用于人工神經網絡模型的仿真。 3．得到仿真結果，對電力負荷預測結果的精度進行分析。 三、主要技術指標 利用現有的人工神經網絡模型，編寫matlab程序，對人工神經網絡進行訓練，實現電 力負荷預測。 四、應收集的資料及參考文獻 [1]韓力群.人工神經網絡理論、設計及應用[m].北京:化學工業出版社 [2]周開利，康耀紅.神經網絡模型及其matlab仿真程序設計[m].北京:清華大學出版 社 [3]朱大奇.

方法的選擇對電力負荷預測結果至關重要,本文通過對x(1)(1)增加干擾因素β,實現對初始值的優化,較已有研究文獻使用x(1)(n)+β方法更加便于理解,保持運算前后一致,同時,改進背景值的設置。通過實例驗證,此方法可以在負荷預測上得到很好的應用,提高預測精度。

灰色系統是部分信息已知、部分信息未知的系統。灰色系統把一般系統理論、信息控制的觀點和方法延伸到社會、經濟等廣義系統，灰色系統理論能更準確地描述社會經濟系統的狀態和行為。研究基于灰色系統理論的灰色預測模型，對社會經濟系統預測具有重要的意義。由于用電負荷增長情況受經濟發展、產業機構、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個灰色系統。

提出了基于小波支持向量機(wsvm)與相空間重構(psrt)相結合的電力系統短期負荷預測(stlf)模型。使用小波核函數(wkf)構建相應的wsvm,并且用云遺傳算法(cga)對相關參數進行優化。在分析負荷時間序列的混沌特性基礎上,對序列進行了psrt,將相空間中的向量點作為wsvm的輸入。該方法不考慮氣象和節假日等條件,只使用歷史負荷數據。仿真結果表明,新算法有較好的精確度和有效性,具有一定的實用價值。

討論了灰色模型gm(1,1)及其改進模型在短期電力負荷預測中的應用,提出了適合電網普通日及特殊日電力負荷預測的數據處理方法,提高了預測的精度。

討論了灰色模型gm（1，1）及其改進模型在短期電力負荷預測中的應用，提出了適合電網普通日及特殊日電力負荷預測的數據處理方法，提高了預測的精度。

將發電站視為本征性灰色系統,對電力負荷建立灰色預測模型,并根據實際結果對原始模型進行優化。使用序列平移、殘差校正、等維新息等方法提高了模型的精度。在實際應用中證明了預測結果的可信度

由于中央空調系統的時滯性、時變性、非線性和大惰性等特性,使得當前采用的中央空調負荷預測算法精度并不高,本文在江陰某樓宇空調系統節能改造項目的基礎上,從中央空調系統的組成和特性出發,提出了基于支持向量回歸機（supportvectorregressionsvr）理論的中央空調負荷預測模型。對項目樓宇歷史負荷數據進行分析,分別采用svr負荷預測模型和bp神經網絡負荷預測模型進行了訓練和預測。預測結果表明：基于svr負荷預測模型較bp神經網絡負荷預測模型精度更高,具有較強的實用性和可行性。

建立基于支持向量機的建筑物沉降預測模型,并將其應用于建筑物的沉降預測。與采用bp神經網絡的預測結果相比,支持向量機取得較好的預測結果。實例表明支持向量機在小樣本數據的預測上具有精度高、泛化能力強的特點,為建筑物的沉降預測提供一種新的方法。