粒子群算法的極限學(xué)習(xí)機(jī)短期電力負(fù)荷預(yù)測(cè)

針對(duì)最小二乘支持向量機(jī)在電力負(fù)荷預(yù)測(cè)應(yīng)用中的參數(shù)優(yōu)化問(wèn)題,將改進(jìn)粒子群算法引入到最小二乘支持向量機(jī)參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測(cè)模型(ipso-lssvm)。首先將最小二乘支持向量機(jī)參數(shù)編碼為粒子初始位置向量;然后通過(guò)粒子個(gè)體之間的信息交流、協(xié)作找到最小二乘支持向量機(jī)的最優(yōu)參數(shù),并針對(duì)標(biāo)準(zhǔn)粒子群算法的不足進(jìn)行相應(yīng)改進(jìn);最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測(cè),并通過(guò)仿真對(duì)比實(shí)驗(yàn)測(cè)試其性能。實(shí)驗(yàn)結(jié)果表明,ipso-lssvm可以獲得較高準(zhǔn)確度的電力負(fù)荷預(yù)測(cè)結(jié)果,大幅度減少了訓(xùn)練時(shí)間,滿足電力負(fù)荷在線預(yù)測(cè)要求。

為了提高電力負(fù)荷預(yù)測(cè)精度,應(yīng)對(duì)電力系統(tǒng)智能化所帶來(lái)的數(shù)據(jù)海量化高維化帶來(lái)的單機(jī)計(jì)算資源不足的挑戰(zhàn),提出了一種在線序列優(yōu)化的極限學(xué)習(xí)機(jī)短期電力負(fù)荷預(yù)測(cè)模型。針對(duì)電力負(fù)荷數(shù)據(jù)特性,對(duì)極限學(xué)習(xí)機(jī)預(yù)測(cè)算法進(jìn)行在線序列優(yōu)化;引入分布式和multi-agent思想,提升負(fù)荷預(yù)測(cè)算法預(yù)測(cè)準(zhǔn)確率;采用云計(jì)算的mapreduce編程框架對(duì)提出的算法模型進(jìn)行并行化改進(jìn),提高其處理海量高維數(shù)據(jù)的能力。選用eunite提供的真實(shí)電力負(fù)荷數(shù)據(jù)進(jìn)行算例分析,在32節(jié)點(diǎn)云計(jì)算集群上進(jìn)行實(shí)驗(yàn),結(jié)果表明基于該模型的負(fù)荷預(yù)測(cè)精度均優(yōu)于傳統(tǒng)支持向量回歸預(yù)測(cè)算法和泛化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法,且提出的算法具有優(yōu)異的并行性能。

負(fù)荷預(yù)測(cè)對(duì)電網(wǎng)規(guī)劃和售電市場(chǎng)調(diào)控具有重要意義。由于電力負(fù)荷與天氣、日期、區(qū)域等多個(gè)因素密切相關(guān),存在較強(qiáng)的不確定性和非線性特征,導(dǎo)致傳統(tǒng)方法的負(fù)荷預(yù)測(cè)精度較低。為了提高負(fù)荷預(yù)測(cè)精度,提出基于正交投影徑向基函數(shù)極限學(xué)習(xí)機(jī)(oprbf-elm)的短期電力負(fù)荷預(yù)測(cè)算法。該算法將elm的隱含層節(jié)點(diǎn)替換為徑向基神經(jīng)元,基于訓(xùn)練誤差二范數(shù)最小化準(zhǔn)則,采用正交投影計(jì)算輸出權(quán)值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓(xùn)練集均方根誤差(rmse)最小的預(yù)測(cè)負(fù)荷結(jié)果。算法預(yù)測(cè)過(guò)程中只需要設(shè)置網(wǎng)絡(luò)的徑向基神經(jīng)元(rbf)個(gè)數(shù),不需要調(diào)整輸入權(quán)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(guān)性,快速有效得到輸出權(quán)值向量,從而提高負(fù)荷預(yù)測(cè)精度。以我國(guó)某省電動(dòng)汽車用電領(lǐng)域的負(fù)荷數(shù)據(jù)作為標(biāo)準(zhǔn)樣本進(jìn)行仿真,仿真實(shí)驗(yàn)驗(yàn)證了該算法的可行性和有效性,與支持向量機(jī)(svm)和傳統(tǒng)rbf-elm相比,該算法的預(yù)測(cè)精度高、泛化能力強(qiáng),具有廣泛的實(shí)用性。

為提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的精度,引入一種新型的群智能方法——粒子群優(yōu)化算法,并將這種智能算法與bp算法相結(jié)合,形成了粒子群優(yōu)化bp算法模型,建立了計(jì)及氣象因素的短期負(fù)荷預(yù)測(cè)模型.通過(guò)具體算例將此模型與單純的bp模型進(jìn)行比較,結(jié)果表明:該算法具有較高的預(yù)測(cè)精度,完全能滿足實(shí)際工程的要求.

通過(guò)對(duì)電力負(fù)荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負(fù)荷預(yù)測(cè)模型。首先利用混沌理論將雜亂無(wú)章的歷史數(shù)據(jù)進(jìn)行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預(yù)測(cè)參考點(diǎn);然后利用蟻群優(yōu)化算法,考慮距離因素和相點(diǎn)演化的相關(guān)性因素,對(duì)粗選的預(yù)測(cè)參考點(diǎn)作進(jìn)一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預(yù)測(cè)日的負(fù)荷數(shù)據(jù)。實(shí)際算例驗(yàn)證了提出的方法具有較好的預(yù)測(cè)精度。

利用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)建立短期電力負(fù)荷預(yù)測(cè)模型,其算法存在最終解過(guò)于依賴初值和過(guò)學(xué)習(xí)現(xiàn)象,并且訓(xùn)練過(guò)程中存在局部極小問(wèn)題且預(yù)測(cè)精度低等缺點(diǎn)。為了提高電力負(fù)荷模型的預(yù)測(cè)精度,通過(guò)閱讀相關(guān)文獻(xiàn),構(gòu)建了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型,該模型采用遺傳算法對(duì)權(quán)值和閾值進(jìn)行初始化,以相對(duì)誤差和附加動(dòng)量法相結(jié)合的方式去計(jì)算權(quán)值修正量。比較改進(jìn)后的bp算法和標(biāo)準(zhǔn)bp算法在短期電力負(fù)荷預(yù)測(cè)的效果,從實(shí)驗(yàn)仿真的效果表明改進(jìn)后的模型提高了預(yù)測(cè)精度。

以精確的空調(diào)負(fù)荷預(yù)測(cè)為前提,方能使得冰蓄冷空調(diào)在融冰供冷過(guò)程中采取最為合理的運(yùn)行策略。提出一種改進(jìn)的增量型極限學(xué)習(xí)機(jī)(pso-ielm)的建筑物空調(diào)負(fù)荷預(yù)測(cè)模型。通過(guò)粒子群優(yōu)化算法,克服傳統(tǒng)極限學(xué)習(xí)機(jī)(elm)在預(yù)測(cè)中存在的不穩(wěn)定性。并結(jié)合對(duì)西安地區(qū)某購(gòu)物中心夏季不同月份的空調(diào)負(fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè)。實(shí)例分析結(jié)果表明,粒子群優(yōu)化增量型極限學(xué)習(xí)機(jī)(pso-ielm)具有更好泛化能力和更高預(yù)測(cè)精度。是對(duì)建筑空調(diào)負(fù)荷預(yù)測(cè)的有效手段。

介紹極限學(xué)習(xí)機(jī)（elm）的原理，提出極限學(xué)習(xí)機(jī)模型的城市燃?xì)舛唐谪?fù)荷預(yù)測(cè)方法。以重慶市某區(qū)域燃?xì)馊肇?fù)荷、氣溫、日期類型及天氣狀況等數(shù)據(jù)為訓(xùn)練樣本，采用歸一化等預(yù)處理方法處理輸入數(shù)據(jù)，通過(guò)確定最優(yōu)隱含層節(jié)點(diǎn)數(shù)等建立最優(yōu)極限學(xué)習(xí)機(jī)模型。將實(shí)際值和通過(guò)采用極限學(xué)習(xí)機(jī)與支持向量機(jī)（svm）方法得到的燃?xì)馊肇?fù)荷預(yù)測(cè)值進(jìn)行對(duì)比，將采用極限學(xué)習(xí)機(jī)與支持向量機(jī)方法的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間進(jìn)行對(duì)比，極限學(xué)習(xí)機(jī)預(yù)測(cè)方法具有較好的預(yù)測(cè)精度，且訓(xùn)練時(shí)間短。

隨著我國(guó)經(jīng)濟(jì)建設(shè)的不斷發(fā)展，社會(huì)用電量不斷增長(zhǎng)，電廠和電網(wǎng)規(guī)模不斷擴(kuò)大，這就對(duì)電力部門的安全、經(jīng)濟(jì)運(yùn)行提出了更高要求。負(fù)荷預(yù)測(cè)是電力市場(chǎng)技術(shù)支持系統(tǒng)的一個(gè)重要組成模塊，尤其是短期電力負(fù)荷預(yù)測(cè)方法易受隨機(jī)因素的干擾，針對(duì)短期負(fù)荷預(yù)測(cè)的特點(diǎn)，將數(shù)據(jù)挖掘技術(shù)引入短期負(fù)荷預(yù)測(cè)中，極大地提高了預(yù)測(cè)精度，對(duì)于保障電力運(yùn)行的安全性和經(jīng)濟(jì)性具有重要作用。基于數(shù)據(jù)挖掘技術(shù)的短期電力負(fù)荷預(yù)測(cè)進(jìn)行了探討，希望對(duì)相關(guān)單位有所幫助。

首先,簡(jiǎn)要介紹了深度學(xué)習(xí)算法的有關(guān)內(nèi)容,包括深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的比較和深度學(xué)習(xí)的訓(xùn)練過(guò)程。其次,從負(fù)荷的日屬性、負(fù)荷的周屬性、溫度因素、節(jié)假日因素這幾個(gè)方面對(duì)負(fù)荷的特性進(jìn)行了研究。最后,根據(jù)負(fù)荷的歷史數(shù)據(jù),應(yīng)用深度學(xué)習(xí)算法進(jìn)行了短期負(fù)荷預(yù)測(cè),并將其預(yù)測(cè)結(jié)果與bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果做了比較。

支持向量機(jī)svm作為機(jī)器學(xué)習(xí)方法之一,有數(shù)據(jù)分類以及數(shù)據(jù)回歸兩種用途,支持向量機(jī)的回歸能應(yīng)用于預(yù)測(cè)領(lǐng)域.本文應(yīng)用svm方法來(lái)建立電力負(fù)荷預(yù)測(cè)模型,首先以歷史負(fù)荷、天氣、日期類型作輸入數(shù)據(jù),然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理,再利用svm構(gòu)建預(yù)測(cè)模型,svm在負(fù)荷預(yù)測(cè)方面具有較高的可信度與精準(zhǔn)度.

短期電力負(fù)荷預(yù)測(cè)器設(shè)計(jì) thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計(jì)任務(wù)書 一、設(shè)計(jì)內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)和學(xué)習(xí)方式，根據(jù)其學(xué)習(xí)方法，編寫算法進(jìn)行matlab仿 真，對(duì)仿真預(yù)測(cè)結(jié)果的精度進(jìn)行分析。 二、基本要求 1．選擇適合電力負(fù)荷預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡(luò)模型的仿真。 3．得到仿真結(jié)果，對(duì)電力負(fù)荷預(yù)測(cè)結(jié)果的精度進(jìn)行分析。 三、主要技術(shù)指標(biāo) 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫matlab程序，對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)電 力負(fù)荷預(yù)測(cè)。 四、應(yīng)收集的資料及參考文獻(xiàn) [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[m].北京:化學(xué)工業(yè)出版社 [2]周開(kāi)利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計(jì)[m].北京:清華大學(xué)出版 社 [3]朱大奇.

電力系統(tǒng)的管理和調(diào)度對(duì)精確的負(fù)荷預(yù)測(cè)模型有著極高的要求。為全面提高負(fù)荷預(yù)測(cè)模型的性能，提出一種新型的結(jié)合互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解（ceemd）和小波核函數(shù)極限學(xué)習(xí)機(jī)（wkelm）的短期電力負(fù)荷組合預(yù)測(cè)模型。首先通過(guò)ceemd將歷史電力負(fù)荷數(shù)據(jù)自適應(yīng)地分解為一系列相對(duì)平穩(wěn)的子序列，對(duì)各分量建立小波核極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型，預(yù)測(cè)各分量的負(fù)荷值并對(duì)其進(jìn)行求和得到最終預(yù)測(cè)結(jié)果。用四種預(yù)測(cè)模型對(duì)真實(shí)的負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測(cè)，算例表明新模型在預(yù)測(cè)精度和效率上都具有一定優(yōu)勢(shì)，同時(shí)克服了傳統(tǒng)emd中容易出現(xiàn)的模態(tài)混疊問(wèn)題以及elm中存在的過(guò)擬合等缺陷，具有一定的實(shí)際應(yīng)用潛力。

為了提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性,引入了優(yōu)化組合預(yù)測(cè)模型,將幾個(gè)電力負(fù)荷預(yù)測(cè)模型有機(jī)地結(jié)合起來(lái),通過(guò)綜合各個(gè)預(yù)測(cè)模型的優(yōu)點(diǎn),得出更為準(zhǔn)確的結(jié)果。文中采用改進(jìn)蟻群算法作為優(yōu)化方法,并用實(shí)例證明,基于改進(jìn)蟻群算法的電力負(fù)荷組合預(yù)測(cè)方法,運(yùn)算速度快,預(yù)測(cè)精度高,相對(duì)誤差小,有一定的實(shí)用價(jià)值。

根據(jù)電力負(fù)荷的主要影響因素,考慮時(shí)間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(bp)的短期負(fù)荷預(yù)測(cè).從bp神經(jīng)網(wǎng)絡(luò)的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和隱層節(jié)點(diǎn)數(shù),從而避免了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定和初始權(quán)值選擇的盲目性,提高了神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的效率和精度使得負(fù)荷預(yù)測(cè)在更加合理的網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行.

針對(duì)電力負(fù)荷短期預(yù)測(cè)問(wèn)題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,分析傳統(tǒng)bp算法的不足,提出一種基于levenbery-marquardt優(yōu)化法的bp模型學(xué)習(xí)算法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來(lái)分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同類型的負(fù)荷差異,并對(duì)四川省電力公司某區(qū)一條線路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。

將bp神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測(cè)。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡(luò)構(gòu)造及預(yù)測(cè)結(jié)果評(píng)價(jià)方法。在南京市夏季電力負(fù)荷統(tǒng)計(jì)數(shù)據(jù)集上面的實(shí)驗(yàn)結(jié)果表明,bp神經(jīng)網(wǎng)絡(luò)能夠?qū)﹄娏ω?fù)荷進(jìn)行較好地預(yù)測(cè)。

針對(duì)時(shí)間因素、季節(jié)因素和隨機(jī)因素對(duì)短期電力負(fù)荷的影響,以某一地區(qū)電力負(fù)荷歷史數(shù)據(jù)為基礎(chǔ),利用模糊推理算法對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè),實(shí)現(xiàn)電力負(fù)荷短期預(yù)測(cè)值的自適應(yīng)調(diào)整,實(shí)時(shí)保證電力系統(tǒng)的供需平衡。對(duì)本地區(qū)進(jìn)行短期電力負(fù)荷預(yù)測(cè)仿真試驗(yàn),試驗(yàn)結(jié)果表明,使用模糊推理算法的短期電力負(fù)荷預(yù)測(cè)系統(tǒng)具有較高的準(zhǔn)確度。

電力系統(tǒng)中每小時(shí)負(fù)荷具有波動(dòng)性,為了提高短期電力負(fù)荷預(yù)測(cè)的精度,本文提出第一個(gè)改進(jìn)的基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,此模型應(yīng)用布谷鳥優(yōu)化算法對(duì)小波神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化后,再對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。通過(guò)澳大利亞新南威爾士州的電力負(fù)荷數(shù)據(jù)的分析,與傳統(tǒng)的arima模型相比較,提出的改進(jìn)模型能夠很好地提高預(yù)測(cè)精度。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

負(fù)荷優(yōu)化分配是火電廠運(yùn)行優(yōu)化的一個(gè)重要研究領(lǐng)域,在機(jī)組之間合理地優(yōu)化分配負(fù)荷能夠提高整個(gè)火電廠運(yùn)行的經(jīng)濟(jì)性。針對(duì)火電廠實(shí)際的運(yùn)行情況,考慮多個(gè)實(shí)際約束條件,建立了并行火電機(jī)組間連續(xù)多時(shí)段動(dòng)態(tài)負(fù)荷優(yōu)化分配的數(shù)學(xué)模型;提出運(yùn)用新近發(fā)展起來(lái)的智能算法-粒子群算法來(lái)解決動(dòng)態(tài)負(fù)荷優(yōu)化分配問(wèn)題,詳細(xì)介紹和研究了該算法的基本原理以及在負(fù)荷優(yōu)化分配問(wèn)題上的實(shí)現(xiàn)過(guò)程,并針對(duì)原算法的不足,對(duì)算法進(jìn)行了改進(jìn);根據(jù)負(fù)荷分配和算法的特性,對(duì)初始種群的生成方法進(jìn)行了改進(jìn),同時(shí)對(duì)約束條件進(jìn)行了有效處理。仿真實(shí)例表明,該方法收斂性好,收斂速度快,能夠有效地達(dá)到或接近全局最優(yōu),從而為火電廠機(jī)組負(fù)荷優(yōu)化分配的求解提供了新的有效算法。

電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)中的一個(gè)重要的研究課題。對(duì)神經(jīng)網(wǎng)絡(luò)算法和時(shí)間序列預(yù)測(cè)算法進(jìn)行加權(quán)融合,提出一種混合算法對(duì)eunite競(jìng)賽數(shù)據(jù)進(jìn)行了短期電力負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明負(fù)荷預(yù)測(cè)精度得到了很大的提升。