基于遗传算法优化参数的支持向量机短期负荷预测方法

被引：303

作者：

吴景龙 ^{[1
,2
]}

杨淑霞 ^{[1
]}

刘承水 ^{[3
]}

机构：

[1] 华北电力大学工商管理学院

[2] 北方联合电力有限责任公司

[3] 北京城市学院城市信息应用研究所

来源：

中南大学学报(自然科学版) | 2009年 / 40卷 / 01期

关键词：

遗传算法; 支持向量机; 参数优化; 负荷预测;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TM715 [电力系统规划];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统。通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究。通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比。研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%。所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度。

引用

页码：180 / 184

页数：5

共 13 条

[1]

统计学习理论的本质.[M].(美)VladimirN.Vapnik著;张学工译;.清华大学出版社.2000,

[2]

非数值并行算法.[M].刘勇等著.科学出版社.1995,

[3]

Financial time series forecasting using support vector machines.[J].Kyoung-jae Kim.Neurocomputing.2003, 1

[4]

Using support vector machines for time series prediction.[J].U Thissen;R van Brakel;A.P de Weijer;W.J Melssen;L.M.C Buydens.Chemometrics and Intelligent Laboratory Systems.2003, 1

[5]

Choosing multiple parameters for support vector machines [J].