資源描述：
《基于自適應(yīng)粒子群優(yōu)化的SVM模型在負(fù)荷預(yù)測(cè)中的應(yīng)用.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第39卷第15期電力系統(tǒng)保護(hù)與控制v0ll39No。l52011年8月1日PowerSystemProtectionandControlAug．1，20l1基于自適應(yīng)粒子群優(yōu)化的SVM模型在負(fù)荷預(yù)測(cè)中的應(yīng)用陸寧，武本令2，劉穎。(1．武漢理工大學(xué)自動(dòng)化學(xué)院，湖北武漢4300702；2．許昌市高級(jí)技術(shù)學(xué)校，河南許昌461000；3．武漢供電公司，湖北武漢430015)摘要：為了提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)精度，針對(duì)傳統(tǒng)支持向量機(jī)(sVM)模型在負(fù)荷預(yù)測(cè)中存在的參數(shù)的選取問題，提出一種新的預(yù)測(cè)模型：用改進(jìn)的自適應(yīng)粒子群優(yōu)化算法尋求SVM模型的最優(yōu)參數(shù)。經(jīng)典粒子群算法是一種全局優(yōu)化算法，在
2、此基礎(chǔ)上提出改進(jìn)的粒子群算法(FAPS0)并對(duì)其進(jìn)行收斂性測(cè)試，將基于改進(jìn)粒子群算法FAPSO優(yōu)化的SVM模型用于短期電力負(fù)荷預(yù)測(cè)。實(shí)例仿真結(jié)果表明該預(yù)測(cè)模型精度高于傳統(tǒng)SVM預(yù)測(cè)模型，具有一定實(shí)用價(jià)值。關(guān)鍵詞：自適應(yīng)；粒子群優(yōu)化；支持向量機(jī)；全局優(yōu)化；負(fù)荷預(yù)測(cè)ApplicationofsupportvectormachinemodelinloadforecastingbasedOiladaptiveparticleswarmoptimizationLUNing，WUBen．1ing，LIUYing(1．SchoolofAutomation，WuhanUniversityofTe
3、chnology，Wuhan430070，China；2．XuchangSeniorTechnicalSchool，Xuchang461000，China；3．WuhanPowerSupplyCompany,Wuhan430015，China)Abstract．Inordertoimprovetheprecisionofshort-termloadforecasting．a(chǎn)ndaimingattheparameterselectionoftraditionalSVMinloadforecastthispaperproposesanewloadforecastingmodel，i．
4、e．，usingtheimprovedadaptiveparticleswarlTloptimization(PSO)forseekingtheoptimalparametersofsupportvectormachine(SVM)mode1．TheclassicalPSOisaglobaloptimizationalgorithm．Basedonit，theimprovedPSO(FAPSO)isproposedanditsconvergencetestsareconducted，andthentheSVMmodelbasedontheFAPSOoptimizationisap
5、pliedtotheshort-termpowerloadforecasting．Thesimulationresultsshowthattheadaptiveparticleswarnloptimization—basedSVMloadforecastingmodelismoreaccuratethanthetraditionalSVMmodelandhascertainpracticalvalue．Keywords：adaptive；particleswarmoptimization；supportvectormachine；globaloptimization；loadfo
6、recasting中圖分類號(hào)：TM715文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1674．3415(2011)15-0043-04證試算方法、梯度下降法等存在一定局限性，近期0引言的研究中提到用遺傳算法來優(yōu)化SVM模型，雖然電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)日常運(yùn)行中的一項(xiàng)重取得一定效果，但由于遺傳算法自身進(jìn)化機(jī)制復(fù)雜，要工作。負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的經(jīng)濟(jì)性、可靠性和收斂速度慢，也存在一定局限。本文采用改進(jìn)的自運(yùn)營管理起著十分重要的作用。隨著電力市場(chǎng)改革適應(yīng)粒子群算法來優(yōu)化支持向量機(jī)SVM的相關(guān)參的深入發(fā)展，負(fù)荷預(yù)測(cè)精度直接影響到了電網(wǎng)及發(fā)數(shù)，建立預(yù)測(cè)模型，并進(jìn)行短期負(fù)荷預(yù)測(cè)，仿真結(jié)電廠的經(jīng)濟(jì)效益L1J。果表明
7、，該方法具有良好的預(yù)測(cè)精度和穩(wěn)定性。負(fù)荷預(yù)測(cè)的核心問題是預(yù)測(cè)的技術(shù)方法，即預(yù)1支持向量機(jī)回歸模型測(cè)的數(shù)學(xué)模型。在長期的實(shí)踐中，人們對(duì)短期負(fù)荷預(yù)測(cè)進(jìn)行了研究，開發(fā)了多種預(yù)測(cè)方法【2J。其中，支持向量機(jī)適于解決小樣本、非線性回歸估計(jì)支持向量機(jī)的回歸預(yù)測(cè)方法優(yōu)點(diǎn)很突出【4J，在短期問題【5】。支持向量機(jī)的回歸模型描述如下：負(fù)荷預(yù)測(cè)實(shí)際中有較成功的應(yīng)用，但是，SVM模型假設(shè)樣本數(shù)據(jù)為還有需要進(jìn)一步改進(jìn)和完善的地方：SVM模型參數(shù)D={(XiYi)l1，2，?，f}，Xj∈，Yi∈R(1)
