云計算和極限學習機的分布式電力負荷預測算法

為了優(yōu)化極限學習機的參數(shù),提高短期負荷預測的準確率,提出一種改進粒子群算法的極限學習機(cspso-elm)預測模型。該模型利用粒子群算法(particleswarmoptimization,pso)尋找極限學習機(elm)網(wǎng)絡中最優(yōu)的輸入權值和隱層偏差值,得到輸出權值矩陣,以達到減少隨機參數(shù)誤差的目的。同時引入混沌自適應策略,增強粒子群算法的多樣性,防止粒子群陷入局部收斂。在充分考慮天氣、濕度、假日因素和當?shù)毓I(yè)產(chǎn)值對預測結(jié)果的影響下,提出一種基于該方法的極限學習機預測模型。最后,針對揚州市高新區(qū)用電總量預測問題,通過與其它模型的對比實驗,證明了改進的粒子群算法優(yōu)化了極限學習機的參數(shù)結(jié)構(gòu),提高了電力負荷預測的精準度。

將bp神經(jīng)網(wǎng)絡用于電力負荷預測。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡構(gòu)造及預測結(jié)果評價方法。在南京市夏季電力負荷統(tǒng)計數(shù)據(jù)集上面的實驗結(jié)果表明,bp神經(jīng)網(wǎng)絡能夠?qū)﹄娏ω摵蛇M行較好地預測。

提出了一種改進的分布式極限學習機的電站鍋爐no_x排放特性建模方法。引入分布式和嶺回歸理論,提升了極限學習機預測算法的泛化性能和預測準確率。采用改進的mapreduce編程框架對提出的算法模型進行并行化改進,提高其處理大數(shù)據(jù)的能力。選用某660mw電站鍋爐提供的真實運行數(shù)據(jù)進行分析,并在hadoop集群上進行實驗,結(jié)果表明該模型對no_x排放有著較好的擬合和預測能力,且提出的算法具有優(yōu)異的并行性能。

負荷預測對電網(wǎng)規(guī)劃和售電市場調(diào)控具有重要意義。由于電力負荷與天氣、日期、區(qū)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(tǒng)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(shù)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(jié)點替換為徑向基神經(jīng)元,基于訓練誤差二范數(shù)最小化準則,采用正交投影計算輸出權值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓練集均方根誤差(rmse)最小的預測負荷結(jié)果。算法預測過程中只需要設置網(wǎng)絡的徑向基神經(jīng)元(rbf)個數(shù),不需要調(diào)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(shù)據(jù)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(tǒng)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。

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(qū)域燃氣日負荷、氣溫、日期類型及天氣狀況等數(shù)據(jù)為訓練樣本，采用歸一化等預處理方法處理輸入數(shù)據(jù)，通過確定最優(yōu)隱含層節(jié)點數(shù)等建立最優(yōu)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。

利用標準bp神經(jīng)網(wǎng)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(xiàn)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(gòu)建了基于改進bp神經(jīng)網(wǎng)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(jié)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。

電力負荷數(shù)據(jù)管理系統(tǒng)是電力營銷技術支持系統(tǒng)的組成部分,對電力系統(tǒng)運行有著重要的輔助作用。采用神經(jīng)網(wǎng)絡預測模型,設計輸入變量和確定神經(jīng)網(wǎng)絡結(jié)構(gòu)的方法和算法,可以使得從歷史樣本知識數(shù)據(jù)到最終預測模型的建模過程變得簡單明了,便于實際應用。預測方法是使用matlab建立模型,對24個負荷點預測,采用多輸入單輸出的神經(jīng)網(wǎng)絡預測每天的整點負荷值。因為電力負荷與環(huán)境因素有關,在輸入、輸出向量設計中輸入變量加入天氣特征值。根據(jù)輸入、輸出向量對bp網(wǎng)絡設計。該算法結(jié)構(gòu)簡單,最后進行短期負荷預測仿真,仿真結(jié)果表明其有較好的預測精度。該模型具有網(wǎng)絡結(jié)構(gòu)較小,訓練時間短的優(yōu)點,并考慮不同小時負荷差異,易于實現(xiàn),具有較高的預測精度,預測誤差在15%以下,一定程度上克服傳統(tǒng)算法收斂速度慢,容易陷入局部積小的缺點。

電力系統(tǒng)的管理和調(diào)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(jié)合互補集成經(jīng)驗模態(tài)分解（ceemd）和小波核函數(shù)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(shù)據(jù)自適應地分解為一系列相對平穩(wěn)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(jié)果。用四種預測模型對真實的負荷數(shù)據(jù)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(yōu)勢，同時克服了傳統(tǒng)emd中容易出現(xiàn)的模態(tài)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。

由于目前常用的電力負荷預測算法在預測精度和計算效率方面存在一些局限,本文提出一種基于電力負荷歷史數(shù)據(jù)挖掘的負荷預測算法。該算法基于粗糙集理論構(gòu)建了一種組合式神經(jīng)網(wǎng)絡,該神經(jīng)網(wǎng)絡采用混合式神經(jīng)單元和并行子網(wǎng)絡結(jié)構(gòu),并基于分層聚類算法和特征曲線算法對電力負荷歷史數(shù)據(jù)進行預處理,利用粗糙集對神經(jīng)網(wǎng)絡的輸出數(shù)據(jù)和連接權值進行屬性約簡,實現(xiàn)提高歷史數(shù)據(jù)準確性、簡化神經(jīng)網(wǎng)絡結(jié)構(gòu)以及降低輸入數(shù)據(jù)冗余的功能。通過仿真試驗表明,該算法具有相對于傳統(tǒng)神經(jīng)網(wǎng)絡算法更好的預測精度,而且能夠?qū)⑸窠?jīng)網(wǎng)絡的收斂效率提升約70%。

針對最小二乘支持向量機在電力負荷預測應用中的參數(shù)優(yōu)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(shù)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(shù)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(xié)作找到最小二乘支持向量機的最優(yōu)參數(shù),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(jié)果表明,ipso-lssvm可以獲得較高準確度的電力負荷預測結(jié)果,大幅度減少了訓練時間,滿足電力負荷在線預測要求。

通過對電力負荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負荷預測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預測參考點;然后利用蟻群優(yōu)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(zhì)量;最后采用gm(1,1)灰色模型得到預測日的負荷數(shù)據(jù)。實際算例驗證了提出的方法具有較好的預測精度。

為了提高負荷預測的準確性,引入了優(yōu)化組合預測模型,將幾個電力負荷預測模型有機地結(jié)合起來,通過綜合各個預測模型的優(yōu)點,得出更為準確的結(jié)果。文中采用改進蟻群算法作為優(yōu)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。

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(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù).以國民生產(chǎn)總值為例,建立國民生產(chǎn)總值與電力負荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器.利用云規(guī)則推理器獲得電力負荷預測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)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(jié)果精度高.

電力負荷預測是電力部門規(guī)劃的基礎,因此運用灰色系統(tǒng)理論對電力負荷預測進行分析,首先對灰色系統(tǒng)理論進行闡述,再通過實際案例進行驗證,最后得到一個較為精確的數(shù)值,為電力部門提供了一種行之有效的預測方法。

針對小樣本數(shù)據(jù),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(fā)了基于gm(1,1)模型的電力負荷預測系統(tǒng),實現(xiàn)了在實際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預測功能。

根據(jù)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(jīng)網(wǎng)絡(bp)的短期負荷預測.從bp神經(jīng)網(wǎng)絡的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡的初始權值和隱層節(jié)點數(shù),從而避免了神經(jīng)網(wǎng)絡結(jié)構(gòu)確定和初始權值選擇的盲目性,提高了神經(jīng)網(wǎng)絡用于電力系統(tǒng)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(wǎng)絡結(jié)構(gòu)上進行.

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(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù)。以國民生產(chǎn)總值為例,建立國民生產(chǎn)總值與電力負荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負荷預測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)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(jié)果精度高。

短期電力負荷預測器設計 thedesignofshorttermpowerload prediction 畢業(yè)設計任務書 一、設計內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡模型的特點和學習方式，根據(jù)其學習方法，編寫算法進行matlab仿 真，對仿真預測結(jié)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(jīng)網(wǎng)絡的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡模型的仿真。 3．得到仿真結(jié)果，對電力負荷預測結(jié)果的精度進行分析。 三、主要技術指標 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡模型，編寫matlab程序，對人工神經(jīng)網(wǎng)絡進行訓練，實現(xiàn)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(jīng)網(wǎng)絡理論、設計及應用[m].北京:化學工業(yè)出版社 [2]周開利，康耀紅.神經(jīng)網(wǎng)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.

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

電力系統(tǒng)中每小時負荷具有波動性,為了提高短期電力負荷預測的精度,本文提出第一個改進的基于小波神經(jīng)網(wǎng)絡的預測模型,此模型應用布谷鳥優(yōu)化算法對小波神經(jīng)網(wǎng)絡中的參數(shù)進行優(yōu)化后,再對數(shù)據(jù)進行預測。通過澳大利亞新南威爾士州的電力負荷數(shù)據(jù)的分析,與傳統(tǒng)的arima模型相比較,提出的改進模型能夠很好地提高預測精度。

電網(wǎng)發(fā)展規(guī)劃是電網(wǎng)建設的首要任務之一,而負荷預測是電力規(guī)劃的基礎工作。基于空間飽和負荷密度的方法非常適用于規(guī)劃各種產(chǎn)業(yè)園區(qū)和集聚區(qū)及城市新區(qū)的電力負荷預測。通過飽和負荷預測確定電網(wǎng)的長遠規(guī)劃目標,事先進一步做好短期電網(wǎng)輸變配電工程建設項目的儲備工作,有利于改變城市電網(wǎng)建設滯后于城市發(fā)展的被動局面。

灰色系統(tǒng)是部分信息已知、部分信息未知的系統(tǒng)。灰色系統(tǒng)把一般系統(tǒng)理論、信息控制的觀點和方法延伸到社會、經(jīng)濟等廣義系統(tǒng)，灰色系統(tǒng)理論能更準確地描述社會經(jīng)濟系統(tǒng)的狀態(tài)和行為。研究基于灰色系統(tǒng)理論的灰色預測模型，對社會經(jīng)濟系統(tǒng)預測具有重要的意義。由于用電負荷增長情況受經(jīng)濟發(fā)展、產(chǎn)業(yè)機構(gòu)、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(tǒng)。