基于BA-LSSVM的短期电力负荷预测研究

基于BA-LSSVM的短期电力负荷预测研究

ID:46290410

大小:572.85 KB

页数:5页

时间:2019-11-22

基于BA-LSSVM的短期电力负荷预测研究_第1页
基于BA-LSSVM的短期电力负荷预测研究_第2页
基于BA-LSSVM的短期电力负荷预测研究_第3页
基于BA-LSSVM的短期电力负荷预测研究_第4页
基于BA-LSSVM的短期电力负荷预测研究_第5页
资源描述:

《基于BA-LSSVM的短期电力负荷预测研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、测试测量技术基于BA-LSSVM的短期电力负荷预测研究BasedontheBA-LSSVMShort-termPowerLoadForecastingResearch公政1,姜文1,王来河2,宋祥民2,吴其诚(21.国网山东电力公司潍坊供电公司,山东潍坊261000;2.山东科技大学,山东青岛266590)GongZheng1,JiangWen1,WangLai-he2,SongXiang-min2,WuQi-cheng2(1.ShandongWeifangElectricPowerCompany,Shan

2、dongWeifang261000;2.ShandongUniversityofScienceandTechnology,ShandongQingdao266590)摘要:为了提高短期电力负荷预测结果的准确性,该文提出了蝙蝠算法优化最小二乘支持向量机(BA-LSSVM)的方法。该方法利用蝙蝠算法对最小二乘支持向量机的核函数参数进行优化,并用优化后的参数建立短期电力负荷预测模型。最后,将搜集到的某地区历史负荷数据输入模型,通过仿真结果分析,表明该方法具有一定的可行性和有效性。关键词:蝙蝠算法;最小二乘支持向量

3、机;短期电力负荷;预测模型中图分类号:TP301.6文献标识码:A文章编号:1003-0107(2017)03-0001-05Abstract:Inordertoimprovetheaccuracyofshort-termloadforecastresults,thispaperproposesaleasts-quaressupportvectormachine(LSSVM)basedonthebatalgorithm(BA-LSSVM)method.Thismethoduset-hebatalgorith

4、mforleastsquaressupportvectormachine(LSSVM)kernelfunctionparameterwasoptimized,a-ndtheoptimizedparametersbasedonleastsquaressupportvectormachine,theshort-termpowerloadforecastingmodeltoforecastthepowerload.Finally,thehistoricalloaddatainputtoaregionmodel,b

5、yanalyzingthesimulationresults,showthatthismethodhascertainfeasibilityandvalidity.Keywords:Thebatalgorithm;LSSVM;Short-termpowerload;PredictionmodelCLCnumber:TP301.6Documentcode:AArticleID:1003-0107(2017)03-0001-050引言本文提出了一种基于蝙蝠算法(BatAlgorithm,BA)优化最小二乘支持向

6、量机(LeastSquaresSupportVectorM-短期负荷预测对电力系统的安全、稳定、经济运行achine,LSSVM)的短期电力负荷预测方法,此方法在原具有至关重要的意义,其预测精度甚至关系到电力系统有优点支持向量机不变的前提上,还具备经过新型的的经济效益等方面,因此成为一个重要的研究课题。目生物智能算法蝙蝠算法优化的参数,使优化后的前,对于短期电力负荷预测方法主要分为两大类,一种LSSVM模型预测结果具有精确高、预测效率高和计算是将回归分析法和时间序列法相结合的传统预测方法,速度快的特点。其模

7、型简单,计算速度较快,但是针对多种因素影响的负荷预测无法模拟建模;一种是以神经网络为主的机器学习方法,其处理多因素问题具有较强的学习和模拟能1最小二乘支持向量机力,能够更好地对电力负荷预测。文献[1]中将改进的遗最小二乘支持向量机扩展了支持向量机的形式,并传算法与Elman神经网络相结合,提高了负荷预测的精保留了支持向量机结构风险最小化和小样本等优点。优度;文献[2]提出了基于改进PSO-LSSVM的短期电力负化支持向量机的模型,将最小二乘损失函数取代模型中荷预测方法,降低了计算的复杂性,同时加快了求解速的

8、损失函数,并用等式约束条件取代不等式约束条件,度,提高了预测效率;文献[3]针对单一模型存在的不足,使求解过程由二次寻优问题转化为线性方程组的求解,[4-5]采用了灰色模型和最小二乘支持向量机相组合的方法简化了求解过程、提高运算效率。其回归算法主要思对电力负荷进行预测,提高了结果的精度和可靠性。路如下:作者简介:公政(1988-),男,助理工程师,硕士,现在从事电力系统规划与基建工作。1电子质量2017年第03期

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。