共 8 条
- [7] The connection between regularization operators and support vector kernels[J]. NEURAL NETWORKS, 1998, 11 (04) : 637 - 649Smola, AJScholkopf, BMuller, KR
- [8] The Nature of Statistical Learning Theory. Vapnik VN. Springer-Verlag . 2000
基于复Morlet小波SVM的负荷预测
被引：5
作者：
陈维荣
[1
]
郑永康
[1
]
戴朝华
[1
]
王维博
[2
]
机构：
[1] 西南交通大学电气工程学院
[2] 西南交通大学信息科学与技术学院
来源：
关键词：
短期负荷预测;
相空间重构;
复Morlet小波核;
支持向量机;
云遗传算法;
D O I：
暂无
中图分类号：
TM715 [电力系统规划];
学科分类号：
摘要：
为提高预测精度和克服支持向量机(SVM)凭经验选择参数的不足,针对小波擅长信号细微特征提取和云遗传算法(CGA)良好的全局寻优能力,构建了以复Morlet小波为核函数、以CGA为参数优化算法的SVM——基于CGA的复Morlet小波SVM(CGA-CMW-SVM).针对短期负荷预测,为降低系统复杂性,克服负荷数据信息不完备、不精确的问题,仅仅利用了负荷的历史数据而不考虑气象和节假日等因素,在分析负荷时间序列混沌特性的基础上,对负荷数据进行相空间重构,并以相空间矢量作为CGA-CMW-SVM的输入,提出了短期负荷预测的新方法.仿真结果表明,该方法平均误差和最大误差小,平均误差在1.340 0%以内,最小误差为1.008 7%.
引用
收藏
页码：631 / 636
页数：6
相关论文