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。

為了提高電力負荷預測精度,應對電力系統智能化所帶來的數據海量化高維化帶來的單機計算資源不足的挑戰,提出了一種在線序列優化的極限學習機短期電力負荷預測模型。針對電力負荷數據特性,對極限學習機預測算法進行在線序列優化;引入分布式和multi-agent思想,提升負荷預測算法預測準確率;采用云計算的mapreduce編程框架對提出的算法模型進行并行化改進,提高其處理海量高維數據的能力。選用eunite提供的真實電力負荷數據進行算例分析,在32節點云計算集群上進行實驗,結果表明基于該模型的負荷預測精度均優于傳統支持向量回歸預測算法和泛化神經網絡預測算法,且提出的算法具有優異的并行性能。

負荷預測對電網規劃和售電市場調控具有重要意義。由于電力負荷與天氣、日期、區域等多個因素密切相關,存在較強的不確定性和非線性特征,導致傳統方法的負荷預測精度較低。為了提高負荷預測精度,提出基于正交投影徑向基函數極限學習機(oprbf-elm)的短期電力負荷預測算法。該算法將elm的隱含層節點替換為徑向基神經元,基于訓練誤差二范數最小化準則,采用正交投影計算輸出權值向量,并在核函數的數量取值范圍內索引獲取使得訓練集均方根誤差(rmse)最小的預測負荷結果。算法預測過程中只需要設置網絡的徑向基神經元(rbf)個數,不需要調整輸入權值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關性,快速有效得到輸出權值向量,從而提高負荷預測精度。以我國某省電動汽車用電領域的負荷數據作為標準樣本進行仿真,仿真實驗驗證了該算法的可行性和有效性,與支持向量機(svm)和傳統rbf-elm相比,該算法的預測精度高、泛化能力強,具有廣泛的實用性。

為提高電力系統短期負荷預測的精度,引入一種新型的群智能方法——粒子群優化算法,并將這種智能算法與bp算法相結合,形成了粒子群優化bp算法模型,建立了計及氣象因素的短期負荷預測模型.通過具體算例將此模型與單純的bp模型進行比較,結果表明:該算法具有較高的預測精度,完全能滿足實際工程的要求.

通過對電力負荷變化規律和影響因素的分析,提出了一種新的短期電力負荷預測模型。首先利用混沌理論將雜亂無章的歷史數據進行相空間重構,找出其中的潛在規律,并粗選預測參考點;然后利用蟻群優化算法,考慮距離因素和相點演化的相關性因素,對粗選的預測參考點作進一步精選,提高其質量;最后采用gm(1,1)灰色模型得到預測日的負荷數據。實際算例驗證了提出的方法具有較好的預測精度。

利用標準bp神經網絡建立短期電力負荷預測模型,其算法存在最終解過于依賴初值和過學習現象,并且訓練過程中存在局部極小問題且預測精度低等缺點。為了提高電力負荷模型的預測精度,通過閱讀相關文獻,構建了基于改進bp神經網絡的短期電力負荷預測模型,該模型采用遺傳算法對權值和閾值進行初始化,以相對誤差和附加動量法相結合的方式去計算權值修正量。比較改進后的bp算法和標準bp算法在短期電力負荷預測的效果,從實驗仿真的效果表明改進后的模型提高了預測精度。

以精確的空調負荷預測為前提,方能使得冰蓄冷空調在融冰供冷過程中采取最為合理的運行策略。提出一種改進的增量型極限學習機(pso-ielm)的建筑物空調負荷預測模型。通過粒子群優化算法,克服傳統極限學習機(elm)在預測中存在的不穩定性。并結合對西安地區某購物中心夏季不同月份的空調負荷進行訓練和預測。實例分析結果表明,粒子群優化增量型極限學習機(pso-ielm)具有更好泛化能力和更高預測精度。是對建筑空調負荷預測的有效手段。

介紹極限學習機（elm）的原理，提出極限學習機模型的城市燃氣短期負荷預測方法。以重慶市某區域燃氣日負荷、氣溫、日期類型及天氣狀況等數據為訓練樣本，采用歸一化等預處理方法處理輸入數據，通過確定最優隱含層節點數等建立最優極限學習機模型。將實際值和通過采用極限學習機與支持向量機（svm）方法得到的燃氣日負荷預測值進行對比，將采用極限學習機與支持向量機方法的訓練時間和預測時間進行對比，極限學習機預測方法具有較好的預測精度，且訓練時間短。

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。

首先,簡要介紹了深度學習算法的有關內容,包括深度學習與神經網絡的比較和深度學習的訓練過程。其次,從負荷的日屬性、負荷的周屬性、溫度因素、節假日因素這幾個方面對負荷的特性進行了研究。最后,根據負荷的歷史數據,應用深度學習算法進行了短期負荷預測,并將其預測結果與bp神經網絡的預測結果做了比較。

支持向量機svm作為機器學習方法之一,有數據分類以及數據回歸兩種用途,支持向量機的回歸能應用于預測領域.本文應用svm方法來建立電力負荷預測模型,首先以歷史負荷、天氣、日期類型作輸入數據,然后對數據進行歸一化處理,再利用svm構建預測模型,svm在負荷預測方面具有較高的可信度與精準度.

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.

電力系統的管理和調度對精確的負荷預測模型有著極高的要求。為全面提高負荷預測模型的性能，提出一種新型的結合互補集成經驗模態分解（ceemd）和小波核函數極限學習機（wkelm）的短期電力負荷組合預測模型。首先通過ceemd將歷史電力負荷數據自適應地分解為一系列相對平穩的子序列，對各分量建立小波核極限學習機的預測模型，預測各分量的負荷值并對其進行求和得到最終預測結果。用四種預測模型對真實的負荷數據進行訓練預測，算例表明新模型在預測精度和效率上都具有一定優勢，同時克服了傳統emd中容易出現的模態混疊問題以及elm中存在的過擬合等缺陷，具有一定的實際應用潛力。

為了提高負荷預測的準確性,引入了優化組合預測模型,將幾個電力負荷預測模型有機地結合起來,通過綜合各個預測模型的優點,得出更為準確的結果。文中采用改進蟻群算法作為優化方法,并用實例證明,基于改進蟻群算法的電力負荷組合預測方法,運算速度快,預測精度高,相對誤差小,有一定的實用價值。

根據電力負荷的主要影響因素,考慮時間和天氣,建立了基于遺傳算法和反向傳播神經網絡(bp)的短期負荷預測.從bp神經網絡的理論入手,采用遺傳算法優化bp神經網絡的初始權值和隱層節點數,從而避免了神經網絡結構確定和初始權值選擇的盲目性,提高了神經網絡用于電力系統短期負荷預測的效率和精度使得負荷預測在更加合理的網絡結構上進行.

針對電力負荷短期預測問題,提出了一種基于相似日的神經網絡預測方法,分析傳統bp算法的不足,提出一種基于levenbery-marquardt優化法的bp模型學習算法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經網絡來分別預測每天的整點負荷值,具有網絡結構較小,訓練時間短的優點,考慮了不同類型的負荷差異,并對四川省電力公司某區一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。

將bp神經網絡用于電力負荷預測。給出了具體的數據處理方法、神經網絡構造及預測結果評價方法。在南京市夏季電力負荷統計數據集上面的實驗結果表明,bp神經網絡能夠對電力負荷進行較好地預測。

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。

針對短期電力負荷預測易受氣象因素影響的特點,提出基于相似日和灰色理論的短期電力負荷預測模型;首先通過對日類型的判斷得到相同日類型的負荷數據,然后對氣象數據序列進行模糊化聚類處理,并結合預測日的氣象數據,采用灰色關聯方法進行關聯分析,選取與預測日關聯度高的負荷數據作為相似日負荷數據,采用灰色預測方法對相似日負荷數據進行短期電力負荷預測;仿真結果表明,選取了相似日之后的預測結果比未選取相似日的預測結果精度要高.

為了解決bp神經網絡在短期電力負荷預測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優化elman動態神經網絡進行精準預測。根據輸入輸出參數個數確定elman神經網絡結構，利用pso算法優化網絡的權值和閾值，并將優化后的最優個體賦給elman動態神經網絡作為初始權值、閾值進行網絡訓練，從而建立基于pso-elman的電力負荷預測模型。采用某鋼廠實測電力數據對該方法和模型進行驗證，并與傳統的bp、elman網絡模型預測方法進行對比，結果表明該方法和模型在有效縮短網絡收斂時間的同時，具備更高的負荷預測精度和穩定性。

鄭州大學 碩士學位論文 電力系統短期負荷預測方法的研究 姓名：張德玲 申請學位級別：碩士 專業：電力系統及其自動化 指導教師：陳根永 20070515 電力系統短期負荷預測方法的研究 作者：張德玲 學位授予單位：鄭州大學 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

針對時間因素、季節因素和隨機因素對短期電力負荷的影響,以某一地區電力負荷歷史數據為基礎,利用模糊推理算法對短期電力負荷進行預測,實現電力負荷短期預測值的自適應調整,實時保證電力系統的供需平衡。對本地區進行短期電力負荷預測仿真試驗,試驗結果表明,使用模糊推理算法的短期電力負荷預測系統具有較高的準確度。