基于RFE特征选择的PSO-SVM用电量预测算法

为了提升用电量预测的精度,针对传统支持向量机(SVM)算法在参数确定时的不足,采用粒子群(PSO)算法根据电力应用场景对预测算法进行了改进。对于迭代过程中全局最优和局部最优的矛盾,根据个体适应度的差异进行了子种群划分。而对于粒子群中群体过早收敛的问题,算法引入了自适应变异及惯性权重机制。通过在Schaffer’s F6、Rosenbrock函数上的测试分析结果表明,改进后的PSO算法迭代效率提高了60%以上,达优率也提升了11%。在进行用电量预测时,同时对影响用电量的不同指标进行了特征分析。基于SVM的递归特征消除特性(RFE)筛选了11个影响用电量的指标作为PSO-SVM的模型输入,充分发挥了SVM模型在低维预测上的优势。仿真结果表明,相较于传统SVM算法,所提算法的MAE与RMSE分别提升了9.15%和4.94%。     

基于负荷分解与聚类融合的短期用电负荷预测研究

传统负荷预测算法通常仅以单一的数据源为基础进行计算,因此在面对动态随机特性较强的场景时难以准确预测。针对这一问题,提出了一种负荷分解后再聚类融合的短期用电负荷预测算法。该算法根据负荷行为按时间顺序分类及分解客户负载,并进行负荷数据的聚类融合,再基于贝叶斯时空高斯过程模型描述不同用电区域间的相关性。同时利用深度学习负荷数据中存在的时空相关性来表征电力消费行为特征,从而实现短期用电负荷的精准预测。在对公开数据集进行的预测实验结果表明,与现有方法相比,所提算法的误差较低,且预测性能显著提高。