改进遗传算法优化极限学习机的短期电力负荷预测

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的mapreduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用eunite提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。

负荷预测对电网规划和售电市场调控具有重要意义。由于电力负荷与天气、日期、区域等多个因素密切相关,存在较强的不确定性和非线性特征,导致传统方法的负荷预测精度较低。为了提高负荷预测精度,提出基于正交投影径向基函数极限学习机(oprbf-elm)的短期电力负荷预测算法。该算法将elm的隐含层节点替换为径向基神经元,基于训练误差二范数最小化准则,采用正交投影计算输出权值向量,并在核函数的数量取值范围内索引获取使得训练集均方根误差(rmse)最小的预测负荷结果。算法预测过程中只需要设置网络的径向基神经元(rbf)个数,不需要调整输入权值及隐含层偏差,且正交投影能较好地消除输入样本特征之间的相关性,快速有效得到输出权值向量,从而提高负荷预测精度。以我国某省电动汽车用电领域的负荷数据作为标准样本进行仿真,仿真实验验证了该算法的可行性和有效性,与支持向量机(svm)和传统rbf-elm相比,该算法的预测精度高、泛化能力强,具有广泛的实用性。

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(bp)的短期负荷预测.从bp神经网络的理论入手,采用遗传算法优化bp神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.

利用标准bp神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进bp神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的bp算法和标准bp算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用gm(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。

介绍极限学习机（elm）的原理，提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本，采用归一化等预处理方法处理输入数据，通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机（svm）方法得到的燃气日负荷预测值进行对比，将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比，极限学习机预测方法具有较好的预测精度，且训练时间短。

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统bp算法的不足,提出一种基于levenbery-marquardt优化法的bp模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。

随着我国经济建设的不断发展，社会用电量不断增长，电厂和电网规模不断扩大，这就对电力部门的安全、经济运行提出了更高要求。负荷预测是电力市场技术支持系统的一个重要组成模块，尤其是短期电力负荷预测方法易受随机因素的干扰，针对短期负荷预测的特点，将数据挖掘技术引入短期负荷预测中，极大地提高了预测精度，对于保障电力运行的安全性和经济性具有重要作用。基于数据挖掘技术的短期电力负荷预测进行了探讨，希望对相关单位有所帮助。

首先,简要介绍了深度学习算法的有关内容,包括深度学习与神经网络的比较和深度学习的训练过程。其次,从负荷的日属性、负荷的周属性、温度因素、节假日因素这几个方面对负荷的特性进行了研究。最后,根据负荷的历史数据,应用深度学习算法进行了短期负荷预测,并将其预测结果与bp神经网络的预测结果做了比较。

支持向量机svm作为机器学习方法之一,有数据分类以及数据回归两种用途,支持向量机的回归能应用于预测领域.本文应用svm方法来建立电力负荷预测模型,首先以历史负荷、天气、日期类型作输入数据,然后对数据进行归一化处理,再利用svm构建预测模型,svm在负荷预测方面具有较高的可信度与精准度.

短期电力负荷预测器设计 thedesignofshorttermpowerload prediction 毕业设计任务书 一、设计内容 结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行matlab仿 真，对仿真预测结果的精度进行分析。 二、基本要求 1．选择适合电力负荷预测的人工神经网络的模型。 2．利用matlab软件用于人工神经网络模型的仿真。 3．得到仿真结果，对电力负荷预测结果的精度进行分析。 三、主要技术指标 利用现有的人工神经网络模型，编写matlab程序，对人工神经网络进行训练，实现电 力负荷预测。 四、应收集的资料及参考文献 [1]韩力群.人工神经网络理论、设计及应用[m].北京:化学工业出版社 [2]周开利，康耀红.神经网络模型及其matlab仿真程序设计[m].北京:清华大学出版 社 [3]朱大奇.

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能，提出一种新型的结合互补集成经验模态分解（ceemd）和小波核函数极限学习机（wkelm）的短期电力负荷组合预测模型。首先通过ceemd将历史电力负荷数据自适应地分解为一系列相对平稳的子序列，对各分量建立小波核极限学习机的预测模型，预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测，算例表明新模型在预测精度和效率上都具有一定优势，同时克服了传统emd中容易出现的模态混叠问题以及elm中存在的过拟合等缺陷，具有一定的实际应用潜力。

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与bp算法相结合,形成了粒子群优化bp算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的bp模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.

将bp神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明,bp神经网络能够对电力负荷进行较好地预测。

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(ipso-lssvm)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,ipso-lssvm可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高.

为了解决bp神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题，本文采用粒子群算法（particleswarmoptimization，pso）优化elman动态神经网络进行精准预测。根据输入输出参数个数确定elman神经网络结构，利用pso算法优化网络的权值和阈值，并将优化后的最优个体赋给elman动态神经网络作为初始权值、阈值进行网络训练，从而建立基于pso-elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证，并与传统的bp、elman网络模型预测方法进行对比，结果表明该方法和模型在有效缩短网络收敛时间的同时，具备更高的负荷预测精度和稳定性。

针对短期电力负荷预测易受气象因素影响的特点，提出基于相似日和灰色理论的短期电力负荷预测模型；首先通过对日类型的判断得到相同日类型的负荷数据，然后对气象数据序列进行模糊化聚类处理，并结合预测日的气象数据，采用灰色关联方法进行关联分析，选取与预测日关联度高的负荷数据作为相似日负荷数据，采用灰色预测方法对相似日负荷数据进行短期电力负荷预测；仿真结果表明，选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。

电力系统中每小时负荷具有波动性,为了提高短期电力负荷预测的精度,本文提出第一个改进的基于小波神经网络的预测模型,此模型应用布谷鸟优化算法对小波神经网络中的参数进行优化后,再对数据进行预测。通过澳大利亚新南威尔士州的电力负荷数据的分析,与传统的arima模型相比较,提出的改进模型能够很好地提高预测精度。

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度。分析了如何采用bp多层感知器的隐层数及隐层单元数。最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。

以精确的空调负荷预测为前提,方能使得冰蓄冷空调在融冰供冷过程中采取最为合理的运行策略。提出一种改进的增量型极限学习机(pso-ielm)的建筑物空调负荷预测模型。通过粒子群优化算法,克服传统极限学习机(elm)在预测中存在的不稳定性。并结合对西安地区某购物中心夏季不同月份的空调负荷进行训练和预测。实例分析结果表明,粒子群优化增量型极限学习机(pso-ielm)具有更好泛化能力和更高预测精度。是对建筑空调负荷预测的有效手段。