广东工业大学本科生毕业设计(论文)任务书-电力市场下基于BP神经网络的短期负荷预测建模及其仿真研究
2021-10-25 23:19:38
722KB
1
matlab数据输入代码基于自适应在线学习（APLF）的概率负荷预测
该存储库包含基于自适应在线学习的论文概率负荷预测的代码。
我们使用本文中描述的实现细节。
方法的实现
APLF文件夹包含，a和a，其中包含执行该方法所需的所有Matlab脚本：
APLF.m是主文件。
initialize.m函数可初始化模型参数。
projection.m函数以高斯密度函数的均值和标准偏差的形式获取负荷预测和概率负荷预测。
test.m函数可量化预测误差RMSE和MAPE。
update_model.m函数为每个新训练样本更新模型。
update_parameters.m函数更新模型参数。
数据
我们使用7个可公开获得的数据集，它们对应于具有不同大小的区域。
数据集是：
我们将数据保存在.mat文件中，该文件包含具有以下字段的结构：
每小时加载时间序列
温度时间序列
衡量负载的日期和小时或时间戳记
安装
git
clone
https://github.com/VeronicaAlvarez/online-probabilistic-load-forecasting
运行python代码：
cd
o
2021-10-20 20:22:23
2.97MB
1
svmtrain.m文件为支持向量机训练函数，通过调用可以得到支持向量机回归模型
svmsim.m文件支持向量机预测函数，用于预测
svmmain.m为主程序
svmyiwei.m为一维测试函数主程序
svmerwei.m为二维测试函数主程序
后两者没有涉及到数据归一化，在训练样本与测试样本划分时采用随机的方法，调用了随机划分函数randseparate
2021-10-15 09:40:56
28KB
1
为提高短期负荷预测精度，提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵
(SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为
多个特征互异的子序列，计算各子序列的样本熵，将熵值相近的子序列重组得到新序列，降低了原始非平稳序列对预测精度造成的影响并减小计算规模；随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN 预测模型，利用DBN 克服了浅层神经网络特征提取不充分及初始参数难确定的问题；最后将预测结果叠加得到最终预测值。仿真结果表明，该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW，相比于BP、DBN、EMD-DBN 负荷预测模型具有更高的预测精度。
2021-10-09 17:10:09
782KB
1
针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。
2021-10-02 16:29:05
251KB
1