- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第29卷 第5期 计 算 机 仿 真 2012年5月
文章编号:1006—9348(2012)05—0310—05
智能优化 LS—SVM 在 电力负荷预测中的应用
李浩峰 ,马婷婷 ,李芳琼 ,蔡 立
(1.贵州大学继续教育学院,贵州 贵阳550025;2.贵州广播电视大学网络教育学院,贵州 贵阳550004;
3.贵州民族学院理学院,贵州 贵阳550025;4.贵州民族学院计算机信息工程学院,贵州贵阳550025)
摘要:研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种
因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提
出了一种核函数KPCA和KICA的最小二乘支持向量机(LS—SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包
去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数 KPCA和KICA分析方法提取数据特
征,提高预测模型的泛化能力和预测精度:采用混沌粒子群算法优化LS—SVM参数提高预测模型的收敛速度。实验表明,改
进算法在预测精度、泛化能力及收敛速度方面较突出,具有 良好的预测效果。
关键词:短期预测;最小二乘支持向量机;小波包;核主成分分析;核独立成分分析;混沌粒子群算法
中图分类号 :TP301.1 文献标识码 :B
OptimalLeastSquaresSupportVectorM achine
M odelforShort——term PowerLoadForecasting
LIHao—feng ,MA Ting—ting ,LIFang—qiong ,CAILi
(1.SchoolofContinueEducation,GuizhouUniversity,GuiyangGuizhou550025China;
2.SchoolofNetworkEducation,GuizhouRadioandTV University,GuiyangGuizhou550004China;
3.SchoolofScience,GuizhouUniversityforNationalities,GuiyangGuizhou550025China;
4.SchoolofComputerInformationEngineering,GuizhouUniversityofrNationalities,GuiyangGuizhou550025China)
ABSTRACT:Short—temr powerloadpredictionforecastmodelhasextremelyvitalsignificancetothereliabilityande—
conomicalefficiencyofpowersystem.Currently,short-term loadforecastingalgorithm isnotenoughinpredictionac—
curacy,convergencespeedandgeneralizationability.Waveletpackettransform wasusedtofiltersignalswithnoise.
Kernelprincipleconponentanalysisandkernelindependentcomponentanalysiswereusedindatafeatureselection.
Thenchaosparticleswarm optimizationalgorithm wasusedtodetemr inateoptimalparameterinLS—SVM .Thisintelli—
gentoptimizationalgorithm hasbeentestedonshort—te
文档评论(0)