基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG-CACO)对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。

日最大负荷特性分析及预测方法

电力调度和市场营销部门对电力负荷数据的走势形态和预测方法十分重视。在实际应用中,电力市场对提前预测未来连续多天的日最大负荷提出了新的要求。本文根据电力系统中日最大负荷的历史数据,分法定假日与非假日两部分单独研究其特性。对于假日最大负荷的预测,设定假日因子;对于非假日,通过小波分解提取日最大负荷变化的周期特征,再分别建立相应的BP神经网络模型进行预测。通过对某市电力负荷数据的预测及结果表明:采用这种组合方法可行有效、预测精度满足行业要求。有较强的理论意义和广泛地应用前景。

基于改进EMD-PSVM的短期负荷预测

电力系统负荷是具有典型周期性和随机性特点的非线性、非平稳时间序列。为了降低负荷序列的非线性,提高预测精度,提出了结合经验模态分解EMD和支持向量机SVM的改进短期负荷预测法。运用EMD将负荷序列分解成若干不同频率的平稳分量,突出原负荷局部特征,并采取极值延拓法减弱端点效应,同时利用PSO寻优,选择合适的参数对各分量构造不同的EMD-PSVM预测模型,将各分量预测结果重构后得到最终预测值。通过算例分析,与EMD-SVM及BP神经网络预测法比较,验证了改进EMD-PSVM模型能够有效提高预测精度,稳定性较强。

贵池区农村电气化现状与展望

本文分析了池州市贵池区农村电气化现状与存在问题 ,根据负荷预测确定了近期、中期和远期发展目标 。