資源描述：
《基于BA-LSSVM的短期電力負(fù)荷預(yù)測(cè)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、測(cè)試測(cè)量技術(shù)基于BA-LSSVM的短期電力負(fù)荷預(yù)測(cè)研究BasedontheBA-LSSVMShort-termPowerLoadForecastingResearch公政1,姜文1,王來(lái)河2,宋祥民2,吳其誠(chéng)（21.國(guó)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(fù)荷預(yù)測(cè)結(jié)果的準(zhǔn)確性，該文提出了蝙蝠算法優(yōu)化最小二乘支持向量機(jī)(BA-LSSVM)的方法。該方法利用蝙蝠算法對(duì)最小二乘支持向量機(jī)的核函數(shù)參數(shù)進(jìn)行優(yōu)化，并用優(yōu)化后的參數(shù)建立短期電力負(fù)荷預(yù)測(cè)模型。最后，將搜集到的某地區(qū)歷史負(fù)荷數(shù)據(jù)輸入模型，通過(guò)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(jī)；短期電力負(fù)荷；預(yù)測(cè)模型中圖分類號(hào)：TP301.6文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(jī)(LeastSquaresSupportVectorM-短期負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行achine,LSSVM)的短期電力負(fù)荷預(yù)測(cè)方法，此方法在原具有至關(guān)重要的意義，其預(yù)測(cè)精度甚至關(guān)系到電力系統(tǒng)有優(yōu)點(diǎn)支持向量機(jī)不變的前提上，還具備經(jīng)過(guò)新型的的經(jīng)濟(jì)效益等方面，因此成為一個(gè)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(duì)于短期電力負(fù)荷預(yù)測(cè)方法主要分為兩大類，一種LSSVM模型預(yù)測(cè)結(jié)果具有精確高、預(yù)測(cè)效率高和計(jì)算是將回歸分析法和時(shí)間序列法相結(jié)合的傳統(tǒng)預(yù)測(cè)方法，速度快的特點(diǎn)。其模
7、型簡(jiǎn)單，計(jì)算速度較快，但是針對(duì)多種因素影響的負(fù)荷預(yù)測(cè)無(wú)法模擬建模；一種是以神經(jīng)網(wǎng)絡(luò)為主的機(jī)器學(xué)習(xí)方法，其處理多因素問(wèn)題具有較強(qiáng)的學(xué)習(xí)和模擬能1最小二乘支持向量機(jī)力，能夠更好地對(duì)電力負(fù)荷預(yù)測(cè)。文獻(xiàn)[1]中將改進(jìn)的遺最小二乘支持向量機(jī)擴(kuò)展了支持向量機(jī)的形式，并傳算法與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，提高了負(fù)荷預(yù)測(cè)的精保留了支持向量機(jī)結(jié)構(gòu)風(fēng)險(xiǎn)最小化和小樣本等優(yōu)點(diǎn)。優(yōu)度；文獻(xiàn)[2]提出了基于改進(jìn)PSO-LSSVM的短期電力負(fù)化支持向量機(jī)的模型，將最小二乘損失函數(shù)取代模型中荷預(yù)測(cè)方法，降低了計(jì)算的復(fù)雜性，同時(shí)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(cè)效率；文獻(xiàn)[3]針對(duì)單一模型存在的不足，使求解過(guò)程由二次尋優(yōu)問(wèn)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(jī)相組合的方法簡(jiǎn)化了求解過(guò)程、提高運(yùn)算效率。其回歸算法主要思對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，提高了結(jié)果的精度和可靠性。路如下：作者簡(jiǎn)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
