基于LS-SVM和PSO相结合的电力负荷预测研究

被引：13

作者：

王义民 ^{[1
]}

方卫民 ^{[1
]}

席秋义 ^{[2
]}

黄强 ^{[1
]}

机构：

[1] 西安理工大学西北水资源与环境生态教育部重点实验室

[2] 陕西电力科学研究院

来源：

水力发电学报 | 2010年 / 29卷 / 04期

关键词：

电力系统; 电力负荷预测; 粒子群算法; 最小二乘支持向量机;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 [电力系统及其自动化];

摘要：

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力。实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性。

引用

页码：245 / 250

页数：6

共 8 条

[1]

Asymptotic behaviors of support vector machines with Gaussian kernel [J].