基于自适应粒子群优化的SVM模型在负荷预测中的应用

被引：46

作者：

陆宁 ^{[1
]}

武本令 ^{[2
]}

刘颖 ^{[3
]}

机构：

[1] 武汉理工大学自动化学院

[2] 许昌市高级技术学校

[3] 不详

来源：

电力系统保护与控制 | 2011年 / 39卷 / 15期

关键词：

自适应; 粒子群优化; 支持向量机; 全局优化; 负荷预测;

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,在此基础上提出改进的粒子群算法(FAPSO)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。

引用

页码：43 / 46+51 +51

页数：5

共 8 条

[1] 基于粒子群优化鲁棒支持向量回归机的中长期负荷预测
张雪君
陈刚
周杰
马爱军
张忠静
[J]. 电力系统保护与控制, 2009, 37 (21) : 77 - 81
[2] 基于混合粒子群算法和NRBF神经网络的短期电价预测
段其昌
赵敏
王大兴
段盼
[J]. 电力系统保护与控制, 2009, 37 (18) : 38 - 42
[3] 基于粒子群支持向量机的短期电力负荷预测
张红梅
卫志农
龚灯才
刘玲
[J]. 继电器, 2006, (03) : 28 - 31
[4] 短期负荷预测的支持向量机方法研究
李元诚
方廷健
于尔铿
[J]. 中国电机工程学报, 2003, (06) : 55 - 59
[5] 粒子群算法及应用[M]. 科学出版社 , 纪震, 2009
[6] 电力系统负荷预测[M]. 中国电力出版社 , 康重庆, 2007
[7] SUPPORT-VECTOR NETWORKS
CORTES, C
VAPNIK, V
[J]. MACHINE LEARNING, 1995, 20 (03) : 273 - 297
[8] Short-term load forecasting based on support vector machines regression. Ming-guang Zhang. Proceedings of 2005 International Conference on Machine Learning and Cybernetics . 2005

← 1 →