为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持...为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。展开更多
高压电力电缆接头温度是反映电缆运行状况的重要指标,对接头温度进行精确预测可提高电缆安全运行水平。采用最小二乘支持向量机建立适用于电缆接头的温度预测模型,并给出了预测方法的具体步骤。模型以电缆接头的历史温度、环境温度、湿...高压电力电缆接头温度是反映电缆运行状况的重要指标,对接头温度进行精确预测可提高电缆安全运行水平。采用最小二乘支持向量机建立适用于电缆接头的温度预测模型,并给出了预测方法的具体步骤。模型以电缆接头的历史温度、环境温度、湿度和线芯/护层电流比为输入样本,电缆接头的表面温度为输出。为了提高预测精度,采用粒子群优化算法对模型的标准化参数和正则化参数进行动态寻优。以上海某110 k V电缆接头为例进行预测,结果表明,提出的方法能较好地预测电缆接头温度,预测精度高,为电缆温度监测和预警系统提供可靠的判断依据。展开更多
为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持...为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。展开更多
文摘为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。
文摘高压电力电缆接头温度是反映电缆运行状况的重要指标,对接头温度进行精确预测可提高电缆安全运行水平。采用最小二乘支持向量机建立适用于电缆接头的温度预测模型,并给出了预测方法的具体步骤。模型以电缆接头的历史温度、环境温度、湿度和线芯/护层电流比为输入样本,电缆接头的表面温度为输出。为了提高预测精度,采用粒子群优化算法对模型的标准化参数和正则化参数进行动态寻优。以上海某110 k V电缆接头为例进行预测,结果表明,提出的方法能较好地预测电缆接头温度,预测精度高,为电缆温度监测和预警系统提供可靠的判断依据。
文摘为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。