基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf

基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf

ID:52482939

大小:347.19 KB

页数:5页

时间:2020-03-28

基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf_第1页
基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf_第2页
基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf_第3页
基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf_第4页
基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf_第5页
资源描述:

《基于自适应粒子群优化的SVM模型在负荷预测中的应用.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第39卷第15期电力系统保护与控制v0ll39No。l52011年8月1日PowerSystemProtectionandControlAug.1,20l1基于自适应粒子群优化的SVM模型在负荷预测中的应用陆宁,武本令2,刘颖。(1.武汉理工大学自动化学院,湖北武汉4300702;2.许昌市高级技术学校,河南许昌461000;3.武汉供电公司,湖北武汉430015)摘要:为了提高电力系统短期负荷预测精度,针对传统支持向量机(sVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在

2、此基础上提出改进的粒子群算法(FAPS0)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。关键词:自适应;粒子群优化;支持向量机;全局优化;负荷预测ApplicationofsupportvectormachinemodelinloadforecastingbasedOiladaptiveparticleswarmoptimizationLUNing,WUBen.1ing,LIUYing(1.SchoolofAutomation,WuhanUniversityofTe

3、chnology,Wuhan430070,China;2.XuchangSeniorTechnicalSchool,Xuchang461000,China;3.WuhanPowerSupplyCompany,Wuhan430015,China)Abstract.Inordertoimprovetheprecisionofshort-termloadforecasting.andaimingattheparameterselectionoftraditionalSVMinloadforecastthispaperproposesanewloadforecastingmodel,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中图分类号:TM715文献标识码:A文章编号:1674.3415(2011)15-0043-04证试算方法、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遗传算法来优化SVM模型,虽然电力负荷预测是电力系统日常运行中的一项重取得一定效果,但由于遗传算法自身进化机制复杂,要工作。负荷预测对电力系统的经济性、可靠性和收敛速度慢,也存在一定局限。本文采用改进的自运营管理起着十分重要的作用。随着电力市场改革适应粒子群算法来优化支持向量机SVM的相关参的深入发展,负荷预测精度直接影响到了电网及发数,建立预测模型,并进行短期负荷预测,仿真结电厂的经济效益L1J。果表明

7、,该方法具有良好的预测精度和稳定性。负荷预测的核心问题是预测的技术方法,即预1支持向量机回归模型测的数学模型。在长期的实践中,人们对短期负荷预测进行了研究,开发了多种预测方法【2J。其中,支持向量机适于解决小样本、非线性回归估计支持向量机的回归预测方法优点很突出【4J,在短期问题【5】。支持向量机的回归模型描述如下:负荷预测实际中有较成功的应用,但是,SVM模型假设样本数据为还有需要进一步改进和完善的地方:SVM模型参数D={(XiYi)l1,2,⋯,f},Xj∈,Yi∈R(1)

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。