共查询到10条相似文献，搜索用时 531 毫秒
1.
提出了一种能够提高负荷预测精度的方法。在对历史电网运行数据进行处理时引入大数据挖掘技术,并且使用了支技向量机来进行电力系统短期负荷的预测新方式,对基于粒子群优化的支持向量算法进行了改进,提出基于相似日聚类的支持向量机的方法以对电网的负荷状态进行预测。以湘潭市的电力负荷数据为测试数据,进行两种算法结果的对比。结果表明:本文的算法在对比中具有较大的优势,数据预处理在预测的精度上有着非常重要的关联。 相似文献
2.
现代电力负荷数据以海量形式存在,传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果,设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据,通过混沌理论的相空间重构方法对电力负荷数据进行预处理,产生电力负荷数据预测建模样本,然后将电力负荷数据预测建模样本细分成为多个子样本,通过云计算集群系统的分布式方式并行实现子样本建模,每一个小样本通过极限学习机进行建模和预测,最后采用具体电力负荷数据进行了仿真测试实例研究,测试结果表明,本文模型加快了大规模电力负荷数据建模速度,可以足电力负荷在线预测效果,而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。 相似文献
3.
为了提高电力负荷预测的精度,将天气、日期因素纳入到了计算的范畴中来,使用基于模糊聚类的对相似日进行选取,得出该日的短期电力负荷预测模型。本文算法将天气、日期因素建立起模糊系数特性映射表,实现了对应影响因素的量化处理,便于算法的实现。然后,使用模糊聚类算法对相关的数据进行分类,因为使用了相似日,因此,样本的数量得以大大减少,提高了算法的速度和准确度。本文的是力负荷模型将天气、日期考虑进了电力负荷预测影响的因素中去,减少了算法在预测上的随机性。仿真实验结果证明了该算法拥有更高的预测精度。 相似文献
4.
大数据环境下资源负荷短期预测时间跨度计算是提高大数据资源调度和数据集成的基础。通过对大数据环境下资源负荷短期预测时间跨度的准确估计,提高资源负荷的预测性能。提出一种基于非线性差分相点融合估计的资源负荷短期预测时间跨度估计算法。构建大数据环境下资源负荷模型,基于非线性差分相点融合估计的资源负荷短期预测时间跨度估计,进行非线性差分相点融合,进行全网拓扑信息激励传播均衡设计,通过频繁的切换来进行网络选区,将时间划分为连续区间,重新分配大数据环境下的时间跨度,最后得到基于线性差智能群辨识的资源短期预测时间跨度估计算法改进。仿真结果表明,该算法具有较好的时间跨度估计性能,提高了大数据环境下的资源负荷预测精度,具有较小的任务调度路径延时和能耗损失,为提高云平台的资源利用效率提供基础,展示了较好的应用价值。 相似文献
5.
对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。 相似文献
6.
微电网系统中发电功率和负荷功率不匹配将会对其稳定性造成不利影响,为了准确预测微电网系统的短期负荷变化趋势,保证微电网可靠安全运行,文章提出了一种基于单变量单时间步长短期记忆神经网络(Long short-term memory,LSTM)的微电网短期负荷预测方法,该方法利用LSTM擅长处理时序性数据的能力,首先使用微电网负荷的历史数据进行模型训练,然后使用前一个采样点的数据去预测下一个时刻的数据.利用上述方法搭建了基于Keras的单变量单时间步长LSTM微电网短期负荷预测模型,使用某地各大区用电量进行负荷预测,实验结果跟实际用电量的平均绝对误差百分比为1.46％,取得了良好的预测精度,验证了该方法的有效性. 相似文献
7.
大型城市供电企业负荷主要由第三产业负荷、居民生活负荷、行政事业单位负荷、企业的生产负荷构成,受季节、天气影响很大,具有与大电网系统显著不同的特征.本文结合目前短期大城市电力负荷预测的现状及各种预测算法的基础上,针对近年来,第三产业负荷、居民生活用电在大城市核心区总用电量中所占的比重提升较多的情况,结合北京朝阳地区电网运行实际,提出把温湿持久度作为影响地区负荷预测的主要影响因素,进行计算形成数据对比模型. 相似文献
8.
电力系统的安全、稳定、可靠运行关系到国民经济可持续发展。在电力系统中,电力负荷预测一直深受关注,近几年随着我国城市电网建设步伐的加快及电力工业市场化营运机制的推行,负荷预测成为电网企业及科研人员深入探索研究的领域。电力负荷预测的结果为电网规划设计提供信息参考和决策辅助,是电力系统建设和发展的重要 相似文献
9.
交直流(AC/DC)配电系统中的负荷类型更加多样化和复杂化,因此负荷变化规律也更加难以掌握,精确的负荷预测对AC/DC配电系统的调度非常重要.针对神经网络、灰色理论和支持向量机等传统的短期负荷预测方法存在的预测精度不高的问题,本文采用改进集成学习算法对传统的预测方法进行改进,提出了一种基于浅层神经网络的梯度提升算法(GBSNN)以及基于长短期记忆网络的极度梯度提升(XGBLSTM)算法.同时,本文采用Huber函数作为预测模型的损失函数,该函数对异常的负荷数据具有很强的鲁棒性,可以有效减小模型的泛化误差.最后通过仿真分析证明本文提出的基于GBSNN和XGBLSTM的短期负荷预测方法比其他方法具有更高的预测精度,在AC/DC配电系统负荷预测中具有更好的效果. 相似文献