基于改进最小二乘支持向量机的短期负荷预测

被引：9

作者：

孙薇

刘默涵

机构：

[1] 华北电力大学经济与管理学院

来源：

电力科学与工程 | 2015年 / 31卷 / 12期

关键词：

短期负荷预测; 参数优化; 量子差分进化; 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：

摘要：

为了提高短期负荷预测的精度,提出基于量子差分进化算法(Quantum Differential Evolution,QDE)优化的最小二乘支持向量机(Least Squares-Support Vector Machine,LSSVM)模型。该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明,QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机,证明了利用量子差分进化选取最小二乘支持向量机的有效性。该算法更适用于当前中国短期负荷预测的需要。

引用

页码：16 / 21+33 +33

页数：7

共 10 条

[1] 主分量启发式约简算法的短期负荷预测 [J].

马立新 ;

郑晓栋 ;

尹晶晶 .

电力科学与工程, 2015, 31 (01) :27-30+43

[2] 基于EEMD-LSSVM的超短期负荷预测 [J].

王新 ;

孟玲玲 .

电力系统保护与控制, 2015, 43 (01) :61-66

[3] 基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测 [J].

李顺昕 ;

秦砺寒 ;

胥永兰 ;

牛东晓 ;

王智敏 .

华北电力大学学报(自然科学版), 2014, 41 (06) :104-108

[4] 改进RBF神经网络在短期负荷预测中的应用 [J].

张红 ;

金月 ;

郭彦春 .

科技资讯, 2014, 12 (29) :89-89

[5] 基于AHP-GCA及多元线性回归模型的电压合格率预测 [J].

张勇 ;

白先红 ;

张勇军 ;

匡萃浙 .

电力科学与工程, 2014, 30 (05) :1-5

[6] 基于PSO-BP神经网络的短期负荷预测算法 [J].

张少迪 .

现代电子技术, 2013, 36 (12) :155-158+162

[7] 基于极限学习机方法的短期负荷预测 [J].

成天乐 ;

周胜瑜 ;

李斯 ;

赵慧材 ;

黄佩 ;

蒋凌 .

电力科学与工程, 2013, 29 (04) :24-29

[8]

基于改进果蝇算法优化支持向量机的短期负荷预测[D]. 梁妮晓.广西大学. 2014

[9]

Load Forecasting by Considering Wind Power Based on Sequential Time Classification LSSVM Model[J] . Shahram Ghaedi Faramoushjani,Farhad Chinaei,Hamid Reza Bakhsheshi-Rad,Mohd Hasbullah Idris.Advanced Materials Research . 2013 (712)

[10]

Forecasting daily urban electric load profiles using artificial neural networks[J] . M. Beccali,M. Cellura,V. Lo Brano,A. Marvuglia.Energy Conversion and Management . 2004 (18)

← 1 →