基于混沌-LSSVM神经网络的用电量短期精准预测算法

针对用电量短期预测准确度较差,难以识别用电量高峰期的问题,本文提出基于混沌-LSSVM神经网络的用电量短期精准预测算法。通过确定延迟时间与嵌入维度重构用电量混沌时间序列相空间,辨识不确定性影响因素与用电时间序列之间的关联性,还原原始时间序列隐藏信息,避免信息及噪声冗余,获取精准用电量数据特征向量,将其输入到最小二乘支持向量机神经网络预测模型中,采用差分进化算法优化用电量预测模型参数,完成最优参数组合的用电量预测模型训练后,匹配检测数据集,实现短期用电量的精准预测。实验结果表明:延迟时间和嵌入维数均为8时,用电量时间序列相空间重构效果最佳,所提算法可实现用电量短期预测,预测MAPE、MAE指标值均为最低,可依据预测结果有效衡量当日用电情况。

基于随机森林的短期电量负荷精准预测方法

为解决电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略的问题,本文采用基于随机森林的短期电量负荷精准预测方法,深入分析短期电量负荷预测影响因素(气象、时间、电价与随机干扰因素),选取适当的模型输入变量,包括历史电量负荷数据、温度数据与日类型等内容,使用随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则;采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,解决短期电量负荷预测误差较大的问题。得出结论:当输入变量数量达到一定值后,短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差接近为0,由此分析得出短期电量负荷精准预测方法应用性能较佳。

基于粒子群算法的配电台区售电量精准预测方法

针对不同时段和不同模态下,售电量预测准确性较低的问题,设计一个基于粒子群算法的配电台区售电量精准预测方法。建立灰色模型挖掘数据,输入电力负荷数据,并进行归一化处理,提取容量利用特征,通过网格法将配电台区数据拆分,准变预测问题表现形式,建立售电量增长趋势模型,计算曲线拟合问题,采用粒子群算法设计配电台区售电量精准预测过程,优化权重变换函数和粒子权值,更新期望容量的长度与突变点处增长率变化参数,优化节假日趋势模型和售电量季节趋势模型求解结果,完成配电台区售电量精准预测。实验结果表明,该方法在一个月内售电量、一年内售电量、低频模态预测与高频模态预测上,都具有较高的准确性,满足配电台区售电量精准预测需求。