資源描述：
《基于BA-LSSVM的短期電力負荷預(yù)測研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、測試測量技術(shù)基于BA-LSSVM的短期電力負荷預(yù)測研究BasedontheBA-LSSVMShort-termPowerLoadForecastingResearch公政1,姜文1,王來河2,宋祥民2,吳其誠（21.國網(wǎng)山東電力公司濰坊供電公司,山東濰坊261000;2.山東科技大學(xué),山東青島266590）GongZheng1,JiangWen1,WangLai-he2,SongXiang-min2,WuQi-cheng2(1.ShandongWeifangElectricPowerCompany,Shan
2、dongWeifang261000;2.ShandongUniversityofScienceandTechnology,ShandongQingdao266590）摘要：為了提高短期電力負荷預(yù)測結(jié)果的準確性，該文提出了蝙蝠算法優(yōu)化最小二乘支持向量機(BA-LSSVM)的方法。該方法利用蝙蝠算法對最小二乘支持向量機的核函數(shù)參數(shù)進行優(yōu)化，并用優(yōu)化后的參數(shù)建立短期電力負荷預(yù)測模型。最后，將搜集到的某地區(qū)歷史負荷數(shù)據(jù)輸入模型，通過仿真結(jié)果分析，表明該方法具有一定的可行性和有效性。關(guān)鍵詞：蝙蝠算法；最小二乘支持向量
3、機；短期電力負荷；預(yù)測模型中圖分類號：TP301.6文獻標識碼：A文章編號：1003-0107(2017)03-0001-05Abstract:Inordertoimprovetheaccuracyofshort-termloadforecastresults,thispaperproposesaleasts-quaressupportvectormachine(LSSVM)basedonthebatalgorithm(BA-LSSVM)method.Thismethoduset-hebatalgorith
4、mforleastsquaressupportvectormachine(LSSVM)kernelfunctionparameterwasoptimized,a-ndtheoptimizedparametersbasedonleastsquaressupportvectormachine,theshort-termpowerloadforecastingmodeltoforecastthepowerload.Finally,thehistoricalloaddatainputtoaregionmodel,b
5、yanalyzingthesimulationresults,showthatthismethodhascertainfeasibilityandvalidity.Keywords:Thebatalgorithm;LSSVM;Short-termpowerload;PredictionmodelCLCnumber:TP301.6Documentcode:AArticleID：1003-0107(2017)03-0001-050引言本文提出了一種基于蝙蝠算法(BatAlgorithm,BA)優(yōu)化最小二乘支持向
6、量機(LeastSquaresSupportVectorM-短期負荷預(yù)測對電力系統(tǒng)的安全、穩(wěn)定、經(jīng)濟運行achine,LSSVM)的短期電力負荷預(yù)測方法，此方法在原具有至關(guān)重要的意義，其預(yù)測精度甚至關(guān)系到電力系統(tǒng)有優(yōu)點支持向量機不變的前提上，還具備經(jīng)過新型的的經(jīng)濟效益等方面，因此成為一個重要的研究課題。目生物智能算法蝙蝠算法優(yōu)化的參數(shù)，使優(yōu)化后的前，對于短期電力負荷預(yù)測方法主要分為兩大類，一種LSSVM模型預(yù)測結(jié)果具有精確高、預(yù)測效率高和計算是將回歸分析法和時間序列法相結(jié)合的傳統(tǒng)預(yù)測方法，速度快的特點。其模
7、型簡單，計算速度較快，但是針對多種因素影響的負荷預(yù)測無法模擬建模；一種是以神經(jīng)網(wǎng)絡(luò)為主的機器學(xué)習(xí)方法，其處理多因素問題具有較強的學(xué)習(xí)和模擬能1最小二乘支持向量機力，能夠更好地對電力負荷預(yù)測。文獻[1]中將改進的遺最小二乘支持向量機擴展了支持向量機的形式，并傳算法與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，提高了負荷預(yù)測的精保留了支持向量機結(jié)構(gòu)風(fēng)險最小化和小樣本等優(yōu)點。優(yōu)度；文獻[2]提出了基于改進PSO-LSSVM的短期電力負化支持向量機的模型，將最小二乘損失函數(shù)取代模型中荷預(yù)測方法，降低了計算的復(fù)雜性，同時加快了求解速的
8、損失函數(shù)，并用等式約束條件取代不等式約束條件，度，提高了預(yù)測效率；文獻[3]針對單一模型存在的不足，使求解過程由二次尋優(yōu)問題轉(zhuǎn)化為線性方程組的求解，[4-5]采用了灰色模型和最小二乘支持向量機相組合的方法簡化了求解過程、提高運算效率。其回歸算法主要思對電力負荷進行預(yù)測，提高了結(jié)果的精度和可靠性。路如下：作者簡介：公政(1988-)，男，助理工程師，碩士，現(xiàn)在從事電力系統(tǒng)規(guī)劃與基建工作。1電子質(zhì)量2017年第03期
