基于用户分类的配电网负荷预测方法

在市县级调度机构中,配电网负荷预测工作是运行方式安排、变电站全停转供等工作的基础。但配电网用户众多,负荷变化规律难以摸清,因此负荷预测的准确率偏低。针对用户分类配电负荷预测准确率较低提出了优化方法,将电力用户分为农业用户、居民用户、工业用户、商业用户,通过历史数据,理清各类用户的用电规律,建立各类用户在不同典型日下的负荷模型,提高了配电网负荷预测准确率。     

基于长短期记忆神经网络的短期负荷预测方法

为了能够挖掘出海量数据中蕴含的有效信息,提高短期负荷预测精度,本文提出了具有深度学习能力的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型进行短期负荷预测,深度学习顺应了大数据的趋势,对海量数据学习、泛化能力强。利用主成分分析方法对样本进行选择,进而建立LSTM预测模型。仿真结果表明,采用LSTM预测模型相对于BP神经网络模型提高了预测精度。     

电力系统短期负荷预测方法综述

电力负荷是一个多维非线性系统,电力系统短期负荷预测是电力系统运行调度中一项非常重要的工作。从经典预测方法和现代预测方法两方面介绍了短期负荷预测的研究现状以及各方法的不足之处。     

电力系统短期负荷预测方法综述

首先论述了短期负荷预测的特点和预测精度的影响因素,然后将目前的算法分为经典方法、传统方法、智能方法和预测新方法,综合分析了目前各种预测方法的原理,分析和比较各个方法的优点和不足之处,最后,指出了提高短期预测精度的方法和未来发展方向。     

基于机器学习的短期电力负荷预测方法比较及改进研究

针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。     

结合地区负荷历史数据的短期负荷预测方法研究

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安仝优质,经济运行具有重要意义。为提高电力系统短期负荷预测精度,本文引入相似日的概念,通过历史数据分析从历史日附近前后几日相似度中选取最合适的相似日,结合有效的算法计算出预测日的值。实例结果表明了该算法的可行性,对提高短期负荷预测的精度具有较大价值。为同行人员提供算法参考。     

基于模糊聚类及灰色关联的软件需求分析方法

通过模糊聚类方法可以对软件需求进行类别划分;通过灰色关联方法,可以对每个类别内的需求进行重要程度排序.这种分析方法可以为需求管理提供一个科学的解决途径.     

基于LSTM的微电网短期负荷预测研究

微电网系统中发电功率和负荷功率不匹配将会对其稳定性造成不利影响,为了准确预测微电网系统的短期负荷变化趋势,保证微电网可靠安全运行,文章提出了一种基于单变量单时间步长短期记忆神经网络(Long short-term memory,LSTM)的微电网短期负荷预测方法,该方法利用LSTM擅长处理时序性数据的能力,首先使用微电网负荷的历史数据进行模型训练,然后使用前一个采样点的数据去预测下一个时刻的数据.利用上述方法搭建了基于Keras的单变量单时间步长LSTM微电网短期负荷预测模型,使用某地各大区用电量进行负荷预测,实验结果跟实际用电量的平均绝对误差百分比为1.46％,取得了良好的预测精度,验证了该方法的有效性.     

基于BP_Adaboost模型的燃气短期负荷预测

针对神经网络在非数学模型预测中所面临的3个主要问题,提出了一种基于BP_Adaboost算法的预测模型对燃气负荷进行短期预测。预测结果表明,该模型与BP神经网络相比,不但提高了预测精度和泛化能力,而且更能满足具有非线性、时变性和不确定性的负荷预测的需要,具有较好的应用前景。     

基于k-means与神经网络机器学习算法的用户信息聚类及预测研究

【目的/意义】基于机器学习算法对信息进行聚类及预测引起了广泛关注,本文将以航空公司客户信息为对 象构建出k-means,BP神经网络模型,对航空用户进行聚类及预测,实现用户的精准营销。【方法/过程】首先,对航 空公司的客户信息进行预处理,并根据信息聚类和信息预测理论,构建出k-means客户聚类模型与BP神经网络的 流失预测模型。【结果/结论】实证结果表明,在聚类模型上,k-means算法将客户聚为五类,实现了不同价值客户的 差异化识别;在客户预测模型上,BP神经网络的准确性更高。【创新/局限】本次研究将LRFMC模型引入到用户聚 类模型的实验中,使得模型泛化能力上存在了一定的局限,但也为该问题的未来研究提供了新的方式。     

一种新的电力系统短期负荷预测方法

针对电力系统短期负荷特性,提出了基于局部线性嵌入（Linear Local Embed,LLE）和支持向量机（Support Vector Machine,SVM）技术的短期负荷预测模型。该模型利用LLE算法对负荷样本的数据挖掘知识,得到了高维输入样本的低维映射,最后利用具有非线性拟合、泛化能力强的SVM进行回归。     

基于模糊聚类方法的数码产品市场预测分析研究

模糊聚类分析是一种应用广泛的模糊数学方法,可广泛应用于各个领域.此文首先阐述了模糊聚类分析的基本思想和一般的步骤,然后采用模糊聚类分析方法对数码相机市场进行有效的分类.结果表明模糊聚类分析法对数码市场预测分析准确、有效,且比其他方法预测的更接近实际的市场行情.     

基于混沌理论和小波变换的电力系统短期负荷预测方法

文章首先对目前电力系统负荷预报理论和方法进行了全面回顾和评述,重点介绍了混沌理论的发展及应用现状.结合混沌时间序列的分析方法,在对现在广泛应用于电力系统短期负荷预测的混沌方法研究的基础上,提出了将混沌预测技术与小波奇异性检测和消噪结合提高预测精度的方法.     

基于改进集成学习的交直流配电系统短期负荷预测方法

交直流(AC/DC)配电系统中的负荷类型更加多样化和复杂化,因此负荷变化规律也更加难以掌握,精确的负荷预测对AC/DC配电系统的调度非常重要.针对神经网络、灰色理论和支持向量机等传统的短期负荷预测方法存在的预测精度不高的问题,本文采用改进集成学习算法对传统的预测方法进行改进,提出了一种基于浅层神经网络的梯度提升算法(G...     

基于模糊商空间的模糊聚类研究

基于模糊商空间的模糊C-均值算法（QFCM）是在模糊商空间和模糊模糊C-均值（FCM）的基础上提出的。通过引入相似函数并构造出归一化距离,得到模糊商空间的分层递阶的结构,在此基础上提出了基于粒度思想的准则函数并选择出一个最佳层次,从而确定聚类的个数,并选择具有相似度高的样本作为初始聚类中心,结合鲁棒性统计观点运用归一化距离来替代FCM目标函数中的欧式距离度量,提出了QFCM算法。实验证明与传统的算法比较,QFCM算法能够自动确定最佳聚类数目,发现大小不均的聚类,迭代次数少,有效地消除了传统FCM算法对初始值敏感,提高了算法的稳定性和准确率。     

基于用户模式聚类的协同过滤个性化推荐方法

最近邻协同过滤常用的计算用户访问行为相似程度的距离函数仅是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来,用户评分数据稀疏等问题使其推荐质量下降。针对这些问题,提出一种基于用户模式聚类的协同过滤推荐算法,该算法采用基于用户模式相似的子空间聚类方法产生聚类,并且利用模式相似度改进协同过滤,从而对用户产生个性化推荐。实验结果表明,该方法改善了推荐系统的效率和精度。     

基于马尔可夫模型的图书馆用户聚类分群方法研究

【目的/意义】针对图书馆用户群体聚类分群不稳定且错误率较高的问题,提出基于马尔可夫模型的图书馆 用户聚类分群方法,提升图书馆用户聚类分群精准度。【方法/过程】采用一阶马尔可夫混合模型构建用户动作序列 模型,通过模型产生用户行为聚类,体现用户动作的动态性,采用自适应自然梯度算法,依据用户行为分离状态自 适应调整自身步长,优化模型参数学习中模型自动选择问题,实现最佳图书馆用户聚类分群。【结果/结论】通过实 验结果能够证明,实际聚类数量小于L值时,提出方法能够实现参数学习过程中模型的自动选择。提出方法的分群 数量最多,能够划分出最大的取值区间,聚类错误率最低为0.22%,聚类性能比较稳定,分群结果更加精准,达到了 设计的预期。【创新/局限】采用一阶马尔可夫混合模型实现了图书馆用户聚类分群。后续将进一步研究可考虑用 户序列间关联的高阶马尔可夫分量模型,以提高分群算法的准确性和稳定性。     

基于模糊聚类的学生素质评价方法的研究

高等教育评价是人们在实践基础上形成的对高等教育目标的理性认识,为适应从传统教育向素质教育的改革,本文运用模糊聚类分析方法对能够衡量学生素质的几个方面进行了分析,提出了更为客观有效的学生能力评价体系。     

基于用户聚类的推荐算法研究

随着21世纪的到来,市场上出现了以淘宝和亚马逊为代表的一些电商平台,这些平台为消费者提供了极大购物便利的同时,也出现了很多因为数据过大而导致的一系列问题,例如数据量过大,导致聚类算法效率低下,不能及时给用户推荐产品,同时数据量过大,导致数据稀疏性问题明显。因此,文章研究了基于用户聚类的服装推荐技术。基于传统协同过滤算法中,由于其本身特性造成的推荐效果实时性不高以及效率低下的问题,引入用户兴趣变化模型,以及评分预测时间模型,提出基于时间和用户兴趣改变的协同过滤推荐算法,对传统过滤算法进行针对性的修改。     

基于粗糙集和模糊聚类方法的属性约简算法

在基于粗糙集的属性约简算法中引入模糊等价关系的一种新的度量方法,重新定义了高维数据中的属性重要度,提出了一个结合粗糙集和模糊聚类方法的属性约简算法,并通过实验得到了用户满意的属性约简结果。