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

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

ID:52482939

大小:347.19 KB

頁數(shù):5頁

時(shí)間:2020-03-28

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_第1頁
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_第2頁
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_第3頁
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_第4頁
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_第5頁
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)

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無此問題,請(qǐng)放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭議請(qǐng)及時(shí)聯(lián)系客服。
3. 下載前請(qǐng)仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶請(qǐng)聯(lián)系客服處理。