CN104318329A - 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 - Google Patents
一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 Download PDFInfo
- Publication number
- CN104318329A CN104318329A CN201410557450.0A CN201410557450A CN104318329A CN 104318329 A CN104318329 A CN 104318329A CN 201410557450 A CN201410557450 A CN 201410557450A CN 104318329 A CN104318329 A CN 104318329A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- load forecasting
- svm
- adaptive value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 27
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 17
- 238000013277 forecasting method Methods 0.000 title abstract description 7
- 238000010845 search algorithm Methods 0.000 title abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 21
- 235000013601 eggs Nutrition 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 244000000626 Daucus carota Species 0.000 claims description 61
- 235000005770 birds nest Nutrition 0.000 claims description 61
- 235000005765 wild carrot Nutrition 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000144987 brood Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,包括以下步骤,步骤一,选取训练数据;步骤二,建立优化目标;步骤三,布谷鸟搜索算法初始化设置;步骤四,初始适应值计算;步骤五,新鸟窝位置计算;步骤六,鸟窝位置的选择;步骤七,判断宿主鸟是否发现外来鸟蛋;步骤八,判断是否达到最大迭代次数,若是,输出最优结果并退出,否则转至步骤五。本发明通过布谷鸟搜索算法优化了SVM的参数,提高了电力系统负荷预测的精度,相较与现有的网格搜索方法寻优能力更强,收敛速度更快,更适用于优化SVM的参数。
Description
技术领域
本发明涉及一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,属于电力系统运行分析技术领域。
背景技术
电力系统负荷预测是在已知历史负荷需求以及历史时期气象、经济等因素的前提下,对未来的负荷状况进行预测。负荷预测是电网调度部门安排调度计划的重要依据,预测精度的提高有利于安排更为经济合理的运行方式,减少不必要的旋转备用容量,有效降低电力系统的运行成本。
支持向量机(support vector machine,SVM)是一种基于结构风险最小化原理的机器学习技术,具有较好的泛化学习能力,目前广泛应用于处理时间序列问题,不少专家和学者也将其应用于负荷预测。但SVM的预测精度与其自身的惩罚因子和核参数设定有着很大的关系,因此负荷预测领域的专家学者提出了采用网格搜索方法优化SVM的参数,取得了一定的成功。
布谷鸟搜索(cuckoo search,CS)算法是一种受布谷鸟的巢寄生繁殖机理和莱维飞行(L vy flights)搜索原理启发而产生的启发式算法。CS算法的参数少而简单,仅需要设定种群大小和宿主鸟发现外来鸟蛋概率两个参数,因而通用性较强,可控性较好;搜索过程中引入了莱维飞行机制,使局部搜索和全局搜索能力得到了均衡。研究成果表明,CS算法寻优能力强,收敛速度快,适合用于优化SVM的参数。
发明内容
为了解决上述技术问题,本发明提供了一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,提高了电力系统负荷预测的精度。
为了解决上述技术问题,本发明所采用的技术方案是:
一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,包括以下步骤,
步骤一,选取训练数据;
从历史数据中选取与所需预测时段的条件相似的数据作为训练集;
步骤二,建立优化目标;
以SVM输出的均方误差为优化目标,建立如下表达式,
其中,n为样本数,yr为第r个样本的SVM的输出值,为第r个样本的实际值,fMSE为SVM输出的均方误差,而min.前缀表示对该变量进行最小值寻优;
步骤三,布谷鸟搜索算法初始化设置;
定义初始化鸟窝个数为n,迭代次数为K,宿主鸟发现外来鸟蛋的概率pa,随机生成n个初始鸟窝X=[x1,…,xn],其中,i∈[1,m],xi为第i个鸟窝的位置,xi=[xi1,…,xiD],D为单个样本的维数;
步骤四,初始适应值计算;
以SVM输出的均方误差为优化目标,计算每个鸟窝的初始适应值,将所有初始适应值一对一比较,得到并记录初始适应值最优的鸟窝位置;
步骤五,新鸟窝位置计算;
在布谷鸟搜索算法中引入最优解记忆,使布谷鸟每次飞行都以最优解位置作为参考,鸟窝位置更新公式为,
其中,k∈[1,K-1],为第i个鸟窝第k次迭代得到的位置,为第i个鸟窝第k+1次迭代得到的位置,为第i个鸟窝位置的更新值, rand为0~1的随机数,为第i个鸟窝第k次迭代后适应值最优的鸟窝位置,s为莱维飞行距离;
步骤六,鸟窝位置的选择;
计算当前鸟窝的适应值,与上一代鸟窝的适应值进行比较,择优保留,并更新最优鸟窝位置;
择优保留公式如下:
其中:为第i个鸟窝第k次迭代得到的适应值,为第i个鸟窝第k+1次迭代得到的适应值;
步骤七,判断宿主鸟是否发现外来鸟蛋;
生成0~1之间的随机数r,与宿主鸟发现外来鸟蛋的概率pa进行比较,若r<pa,则认为宿主鸟发现外来鸟蛋,重新随机生成该鸟窝的位置;当r≥pa,则保留所有鸟窝,进入步骤八;
步骤八,判断是否达到最大迭代次数,若是,输出最优结果并退出,否则转至步骤五。
步骤一中的条件包括气象条件、工作状态和日期时间。
所述莱维飞行距离的表达式为,
其中,β为常数;v和u用于模拟莱维飞行,满足标准正态分布。
本发明所达到的有益效果:本发明通过布谷鸟搜索算法优化了SVM的参数,提高了电力系统负荷预测的精度,相较与现有的网格搜索方法寻优能力更强,收敛速度更快,更适用于优化SVM的参数。
附图说明
图1为本发明的流程图。
图2为某地区5月15~7日,20~24日96点负荷曲线。
图3为经过布谷鸟搜索算法优化训练集输出的实际值和预测值。
图4为经过布谷鸟搜索算法优化测试集输出的实际值和预测值
图5为经过网格搜索方法优化训练集输出的实际值和预测值。
图6为经过网格搜索方法优化测试集输出的实际值和预测值
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
支持向量机(support vector machine,SVM)是建立在VC维理论和结构风险最小化原理上的一种机器学习方法,最初被设计用于分类问题,但它在回归问题上也表现出良好的预测效果,获得了国内外众多学者的青睐,在电力系统负荷预测领域得到了广泛的应用。
首先,在进行回归问题处理时,对于训练集T={(x1,y1),…,(xn,yn)},建立以下的线性函数:
f(x)=<ω,φ(x)>+b
其中,x=[x1,…,xn],φ(x)为非线性映射函数,ω为非线性映射函数的权重系数,b为偏置量。
定义如下的ε线性不敏感损失函数:
Lε(f(x),y)=max{|f(x)-y|-ε,0}
其中,y=[y1,…,yn]
根据结构风险最小化模型,可以将上述函数转化为最优化问题:
s.t.yi-f(xi)≤ε+ξi
f(xi)-yi≤ε+ξi′
ξi≥0,ξi′≥0
式中:ξi和ξi′为松弛变量,n为样本数,C为惩罚因子,其值大小代表着对训练误差大于ε的样本的惩罚力度。
通过对偶原理和拉格朗日乘子法构建二次规划模型:
αi′≥0,αi≤C
其中αi′、αi为拉格朗日乘子,K(αi,αj)为核函数,比较常见的核函数有多项式函数、径向基函数等。这里选取径向基函数exp(||x-xi||2/2δ2)作为SVM的核函数。
求解二次规划模型即可得到αi′、αi,而偏置量b可以采用KKT条件进行求解。至此可以得到回归函数:
如图1所示,一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,包括以下步骤:
步骤一,选取训练数据;
从历史数据中选取与所需预测时段的条件相,似的数据作为训练集;这里的条件包括气象条件、工作状态和日期时间,即取气象条件(温度、湿度、天气等)相近、工休状态(工作日或者节假日)一致,日期时间(维度可以是月、年)相仿的数据作为训练集。
步骤二,建立优化目标;
以SVM输出的均方误差为优化目标,建立如下表达式,
其中,n为样本数,yr为第r个样本的SVM的输出值,为第r个样本的实际值,fMSE为SVM输出的均方误差,而min.前缀表示对该变量进行最小值寻优。
步骤三,布谷鸟搜索算法初始化设置;
定义初始化鸟窝个数为n,迭代次数为K,宿主鸟发现外来鸟蛋的概率pa,随机生成n个初始鸟窝X=[x1,…,xn],其中,i∈[1,m],xi为第i个鸟窝的位置,xi=[xi1,…,xiD],D为单个样本的维数。
步骤四,初始适应值计算;
以SVM输出的均方误差为优化目标,计算每个鸟窝的初始适应值,将所有初始适应值一对一比较,得到并记录初始适应值最优的鸟窝位置。
步骤五,新鸟窝位置计算;
首先按照下述表达式计算莱维飞行的距离:
其中,其中,β为常数;v和u用于模拟莱维飞行,满足标准正态分布在布谷鸟搜索算法中引入最优解记忆,使布谷鸟每次飞行都以最优解位置作为参考,鸟窝位置更新公式为,
其中,k∈[1,K-1],为第i个鸟窝第k次迭代得到的位置,为第i个鸟窝第k+1次迭代得到的位置,为第i个鸟窝位置的更新值, rand为0~1的随机数,为第i个鸟窝第k次迭代后适应值最优的鸟窝位置。
步骤六,鸟窝位置的选择;
计算当前鸟窝的适应值,与上一代鸟窝的适应值进行比较,择优保留,并更新最优鸟窝位置;
择优保留公式如下:
其中:为第i个鸟窝第k次迭代得到的适应值,为第i个鸟窝第k+1次迭代得到的适应值;
步骤七,判断宿主鸟是否发现外来鸟蛋;
生成0~1之间的随机数r,与宿主鸟发现外来鸟蛋的概率pa进行比较,若r<pa,则认为宿主鸟发现外来鸟蛋,重新随机生成该鸟窝的位置;当r≥pa,则保留所有鸟窝,进入步骤八
步骤八,判断是否达到最大迭代次数,若是,输出最优结果并退出,否则转至步骤五。
下面举例进行说明,如图2所示,以某省2013年5月份网供负荷为例,进行负荷预测。训练集和测试集输入输出数据设置如下。
训练集设置
输出数据:5月22~23日96点负荷数据
输入数据1:5月20~21日96点负荷数据
输入数据2:5月19日23:00~5月21日23:0096点负荷数据
输入数据3:5月19日22:00~5月21日22:0096点负荷数据
输入数据4:5月21~22日96点负荷数据
输入数据5:5月20日23:00~5月21日23:0096点负荷数据
输入数据6:5月20日22:00~5月21日22:0096点负荷数据
输入数据7:5月15~16日96点负荷数据
测试集设置
输出数据:5月24日96点负荷数据
输入数据1:5月23日96点负荷数据
输入数据2:5月22日23:00~5月23日23:0096点负荷数据
输入数据3:5月22日22:00~5月23日22:0096点负荷数据
输入数据4:5月22日96点负荷数据
输入数据5:5月21日23:00~5月22日23:0096点负荷数据
输入数据6:5月21日22:00~5月22日22:0096点负荷数据
输入数据7:5月17日96点负荷数据
采用CS算法优化SVM的负荷预测算法对数据集进行训练和预测,其中CS算法的参数设置如下:
鸟窝个数:n=20;
迭代次数:K=50;
宿主鸟发现外来鸟蛋的概率:pa=0.25;
惩罚系数C的取值范围:[0.1,100];
核参数δ的取值范围:[0.01,1000]。
经CS算法优化得到的参数如下:
Cbest=99.9744;
δbest=0.01。
训练集输出的实际值和预测值如图3所示,测试集输出的实际值和预测值如图4所示,预测准确率达到了96.85%;而采用网格搜索方法进行SVM参数优化时,训练和预测结果对比如图,5和6所示,得到的参数如下:
Cbest=84.4485;
δbest=0.0206。
预测精度为96.48%,可见基于CS算法优化的SVM负荷预测方法不仅在计算效率上优于基于网格搜索方法优化的SVM负荷预测方法,在预测精度上也同样体现了更高的水准,值得在电力系统负荷预测和电量预测中进行推广和应用。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,其特征在于:包括以下步骤,
步骤一,选取训练数据;
从历史数据中选取与所需预测时段的条件相似的数据作为训练集;
步骤二,建立优化目标;
以SVM输出的均方误差为优化目标,建立如下表达式,
其中,n为样本数,yr为第r个样本的SVM的输出值,为第r个样本的实际值,fMSE为SVM输出的均方误差,而min.前缀表示对该变量进行最小值寻优;
步骤三,布谷鸟搜索算法初始化设置;
定义初始化鸟窝个数为m,迭代次数为K,宿主鸟发现外来鸟蛋的概率pa,随机生成m个初始鸟窝X=[x1,…,xm],其中,i∈[1,m],xi为第i个鸟窝的位置,xi=[xi1,…,xiD],D为单个样本的维数;
步骤四,初始适应值计算;
以SVM输出的均方误差为优化目标,计算每个鸟窝的初始适应值,将所有初始适应值一对一比较,得到并记录初始适应值最优的鸟窝位置;
步骤五,新鸟窝位置计算;
在布谷鸟搜索算法中引入最优解记忆,使布谷鸟每次飞行都以最优解位置作为参考,鸟窝位置更新公式为,
其中,k∈[1,K-1],为第i个鸟窝第k次迭代得到的位置, 为第i个鸟窝第k+1次迭代得到的位置,为第i个鸟窝位置的更新值,rand为0~1的随机数,为第i个鸟窝第k次迭代后适应值最优的鸟窝位置,s为莱维飞行距离;
步骤六,鸟窝位置的选择;
计算当前鸟窝的适应值,与上一代鸟窝的适应值进行比较,择优保留,并更新最优鸟窝位置;
择优保留公式如下:
其中:为第i个鸟窝第k次迭代得到的适应值,为第i个鸟窝第k+1次迭代得到的适应值;
步骤七,判断宿主鸟是否发现外来鸟蛋;
生成0~1之间的随机数r,与宿主鸟发现外来鸟蛋的概率pa进行比较,若r<pa,则认为宿主鸟发现外来鸟蛋,重新随机生成该鸟窝的位置;当r≥pa,则保留所有鸟窝,进入步骤八;
步骤八,判断是否达到最大迭代次数,若是,输出最优结果并退出,否则转至步骤五。
2.根据权利要求1所述的一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,其特征在于:步骤一中的条件包括气象条件、工作状态和日期时间。
3.根据权利要求1所述的一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法,其特征在于:所述莱维飞行距离的表达式为,
其中,β为常数;v和u用于模拟莱维飞行,满足标准正态分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410557450.0A CN104318329A (zh) | 2014-10-20 | 2014-10-20 | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410557450.0A CN104318329A (zh) | 2014-10-20 | 2014-10-20 | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318329A true CN104318329A (zh) | 2015-01-28 |
Family
ID=52373557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410557450.0A Pending CN104318329A (zh) | 2014-10-20 | 2014-10-20 | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318329A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678415A (zh) * | 2016-01-05 | 2016-06-15 | 湖南大学 | 一种分布式电源配电网的净负荷预测方法 |
CN105975342A (zh) * | 2016-04-29 | 2016-09-28 | 广东工业大学 | 基于改进布谷鸟搜索算法的云计算任务调度方法及系统 |
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力系统多目标无功优化的方法及系统 |
CN106338674A (zh) * | 2016-08-24 | 2017-01-18 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN106611215A (zh) * | 2016-05-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种新的布谷鸟搜索算法解决作业车间调度问题 |
CN106611236A (zh) * | 2016-04-27 | 2017-05-03 | 四川用联信息技术有限公司 | 一种解决作业车间调度问题的排产算法 |
CN106816931A (zh) * | 2017-03-09 | 2017-06-09 | 上海电力学院 | 电动汽车换电站有序充电控制方法 |
CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
CN108132226A (zh) * | 2018-03-07 | 2018-06-08 | 桂林电子科技大学 | 橡胶补强剂炭黑的太赫兹光谱定量分析方法 |
CN108663202A (zh) * | 2018-05-03 | 2018-10-16 | 国家电网公司 | 基于混沌布谷鸟算法的gis机械故障诊断方法及系统 |
CN109149943A (zh) * | 2018-09-11 | 2019-01-04 | 上海电力学院 | 基于布谷鸟算法的llc谐振变换器参数优化设计方法 |
CN109637121A (zh) * | 2018-06-05 | 2019-04-16 | 南京理工大学 | 一种基于cs-svr算法的短时道路交通拥堵预测方法 |
CN110222878A (zh) * | 2019-05-17 | 2019-09-10 | 广东工业大学 | 一种基于人工鱼群神经网络的短期负荷预测方法 |
CN110276483A (zh) * | 2019-06-04 | 2019-09-24 | 湖北大学 | 基于神经网络的制糖原材料预测方法 |
CN110598947A (zh) * | 2019-09-20 | 2019-12-20 | 东莞理工学院 | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 |
CN111027760A (zh) * | 2019-11-28 | 2020-04-17 | 广东工业大学 | 一种基于最小二乘向量机的电力负荷预测方法 |
CN111144308A (zh) * | 2019-12-25 | 2020-05-12 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
CN111680720A (zh) * | 2020-05-18 | 2020-09-18 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN112001474A (zh) * | 2020-08-24 | 2020-11-27 | 国网江西省电力有限公司经济技术研究院 | 一种配电网的配电终端设备优化配置方法 |
CN112365067A (zh) * | 2020-11-17 | 2021-02-12 | 湖北工业大学 | 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 |
CN112836885A (zh) * | 2021-02-09 | 2021-05-25 | 国网甘肃省电力公司电力科学研究院 | 组合负荷预测方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN103885521A (zh) * | 2014-03-14 | 2014-06-25 | 河海大学 | 一种基于布谷鸟搜索算法的光伏阵列mppt方法 |
-
2014
- 2014-10-20 CN CN201410557450.0A patent/CN104318329A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN103885521A (zh) * | 2014-03-14 | 2014-06-25 | 河海大学 | 一种基于布谷鸟搜索算法的光伏阵列mppt方法 |
Non-Patent Citations (6)
Title |
---|
廖旎焕 等: "电力系统短期负荷预测方法综述", 《电力系统保护与控制》 * |
张磊 等: "基于多步优化GM(1,1)模型的云计算资源负荷短期预测", 《计算机工程与应用》 * |
李煜 等: "新型元启发式布谷鸟搜索算法", 《系统工程》 * |
王丽英 等: "基于改进布谷鸟搜索算法的架桥机结构损伤识别", 《北京交通大学学报》 * |
贺淼 等: "自适应布谷鸟搜索算法", 《计算机与应用化学》 * |
郑洪清: "布谷鸟搜索算法的改进分析及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678415A (zh) * | 2016-01-05 | 2016-06-15 | 湖南大学 | 一种分布式电源配电网的净负荷预测方法 |
CN106611236A (zh) * | 2016-04-27 | 2017-05-03 | 四川用联信息技术有限公司 | 一种解决作业车间调度问题的排产算法 |
CN105975342A (zh) * | 2016-04-29 | 2016-09-28 | 广东工业大学 | 基于改进布谷鸟搜索算法的云计算任务调度方法及系统 |
CN105975342B (zh) * | 2016-04-29 | 2019-02-15 | 广东工业大学 | 基于改进布谷鸟搜索算法的云计算任务调度方法及系统 |
CN106611215A (zh) * | 2016-05-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种新的布谷鸟搜索算法解决作业车间调度问题 |
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力系统多目标无功优化的方法及系统 |
CN106338674B (zh) * | 2016-08-24 | 2018-12-21 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN106338674A (zh) * | 2016-08-24 | 2017-01-18 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN106816931A (zh) * | 2017-03-09 | 2017-06-09 | 上海电力学院 | 电动汽车换电站有序充电控制方法 |
CN106816931B (zh) * | 2017-03-09 | 2019-05-24 | 上海电力学院 | 电动汽车换电站有序充电控制方法 |
CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
CN108038271B (zh) * | 2017-11-22 | 2020-05-19 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
CN108132226B (zh) * | 2018-03-07 | 2020-08-04 | 桂林电子科技大学 | 橡胶补强剂炭黑的太赫兹光谱定量分析方法 |
CN108132226A (zh) * | 2018-03-07 | 2018-06-08 | 桂林电子科技大学 | 橡胶补强剂炭黑的太赫兹光谱定量分析方法 |
CN108663202A (zh) * | 2018-05-03 | 2018-10-16 | 国家电网公司 | 基于混沌布谷鸟算法的gis机械故障诊断方法及系统 |
CN109637121A (zh) * | 2018-06-05 | 2019-04-16 | 南京理工大学 | 一种基于cs-svr算法的短时道路交通拥堵预测方法 |
CN109149943A (zh) * | 2018-09-11 | 2019-01-04 | 上海电力学院 | 基于布谷鸟算法的llc谐振变换器参数优化设计方法 |
CN110222878A (zh) * | 2019-05-17 | 2019-09-10 | 广东工业大学 | 一种基于人工鱼群神经网络的短期负荷预测方法 |
CN110276483A (zh) * | 2019-06-04 | 2019-09-24 | 湖北大学 | 基于神经网络的制糖原材料预测方法 |
CN110598947A (zh) * | 2019-09-20 | 2019-12-20 | 东莞理工学院 | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 |
CN111027760A (zh) * | 2019-11-28 | 2020-04-17 | 广东工业大学 | 一种基于最小二乘向量机的电力负荷预测方法 |
CN111144308A (zh) * | 2019-12-25 | 2020-05-12 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
CN111144308B (zh) * | 2019-12-25 | 2023-06-16 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
CN111680720A (zh) * | 2020-05-18 | 2020-09-18 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN112001474A (zh) * | 2020-08-24 | 2020-11-27 | 国网江西省电力有限公司经济技术研究院 | 一种配电网的配电终端设备优化配置方法 |
CN112365067A (zh) * | 2020-11-17 | 2021-02-12 | 湖北工业大学 | 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 |
CN112836885A (zh) * | 2021-02-09 | 2021-05-25 | 国网甘肃省电力公司电力科学研究院 | 组合负荷预测方法、装置、电子设备和存储介质 |
CN112836885B (zh) * | 2021-02-09 | 2022-07-15 | 国网甘肃省电力公司电力科学研究院 | 组合负荷预测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318329A (zh) | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
Zhang et al. | Time series forecasting for building energy consumption using weighted Support Vector Regression with differential evolution optimization technique | |
CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
Bali et al. | Deep learning based wind speed forecasting-A review | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN104978613A (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
CN103733210A (zh) | 用于对技术系统进行计算机辅助的建模的方法 | |
Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
Zhao et al. | Short-term wind electric power forecasting using a novel multi-stage intelligent algorithm | |
Mehmood et al. | EGD-SNet: A computational search engine for predicting an end-to-end machine learning pipeline for Energy Generation & Demand Forecasting | |
CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
Fang et al. | Wind turbine rotor speed design optimization considering rain erosion based on deep reinforcement learning | |
CN114384931B (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
Alrashidi et al. | Short-term PV output forecasts with support vector regression optimized by cuckoo search and differential evolution algorithms | |
Ji et al. | GRU-corr neural network optimized by improved PSO algorithm for time series prediction | |
Alanis et al. | Neural model with particle swarm optimization Kalman learning for forecasting in smart grids | |
Pandu et al. | Artificial Intelligence Based Solar Radiation Predictive Model Using Weather Forecasts. | |
Kuan et al. | Short-term CHP heat load forecast method based on concatenated LSTMs | |
Li et al. | Short-term PV power prediction based on meteorological similarity days and SSA-BiLSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |