一种基于全过程优化支持向量机的短期电力负荷预测方法

被引：14

作者：

简献忠

顾祎婷

机构：

[1] 上海理工大学光电与计算机工程学院教育部及上海市现代光学系统重点实验室

来源：

电力科学与工程 | 2018年 / 34卷 / 11期

关键词：

全过程优化; 支持向量机; 电力负荷预测; 烟花算法;

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：

081104 ; 0812 ; 0835 ; 1405 ; 080802 ;

摘要：

针对现有短期电力负荷预测局部优化模型预测准确度不高的问题,提出了一种全过程优化的支持向量机(Support Vector Machine,SVM)模型用于短期电力负荷预测。该模型采用全过程优的建模思想从3个方面对支持向量机进行优化,首先采用模糊C均值聚类算法对输入特征集进行处理;然后采用了组合核函数作为支持向量机的核函数;最后由于烟花算法具有爆发性、隐并行性、多样性和瞬时性等优点,将其用于SVM的核函数参数与惩罚系数C的优化选取中。预测结果表明没有经过优化的支持向量机平均绝对百分误差(Mean Absolute Percentage Error,MAPE)为4. 17%,仅采用烟花算法进行局部优化的平均绝对百分误差为3. 25%,而全过程优化支持向量机的为2. 28%。提出的全过程优化支持向量机模型有效地提高了短期电力负荷预测预测的准确度。

引用

页码：45 / 51

页数：7

共 17 条

[1]

Boosted neural networks for improved short-term electric load forecasting.[J].A.S. Khwaja;X. Zhang;A. Anpalagan;B. Venkatesh.Electric Power Systems Research.2017,

[2] A hybrid application algorithm based on the support vector machine and artificial intelligence: An example of electric load forecasting [J].