• 设为首页
  • 加入收藏
  • 联系邮箱
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
  • English
站内检索    
 
魏立兵,赵峰,王思华.基于人群搜索算法优化参数的支持向量机短期电力负荷预测[J].电测与仪表,2016,53(8):.
Wei Li-bing,Zhao Feng,Wang Sihua.Based on population search algorithm to optimize the parameters of support vector machine for Power short-term load forecasting[J].Electrical Measurement & Instrumentation,2016,53(8):.
基于人群搜索算法优化参数的支持向量机短期电力负荷预测
Based on population search algorithm to optimize the parameters of support vector machine for Power short-term load forecasting
DOI:
中文关键词:  人群搜索算法  支持向量机  短期负荷预测  参数优化
英文关键词:SOA, SVM, Short-term  load forecasting, Parameter  optimization
基金项目:
        
作者中文名作者英文名单位
魏立兵Wei Li-bing兰州交通大学 自动化与电气工程学院.兰州 730070
赵峰Zhao Feng兰州交通大学 自动化与电气工程学院.兰州 730070
王思华Wang Sihua兰州交通大学 自动化与电气工程学院.兰州 730070
摘要点击次数: 1823
中文摘要:
      支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。本文以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。
英文摘要:
      Support Vector Machine(SVM) is a new kind of machine learning algorithm, which is based on structural risk minimization criterion to obtain smaller actual risk, effectively improve the generalization ability, has the theory tightly, strong adaptability, the characteristics of global optimization, widely used in pattern recognition and regression problems. The paper is based on the historical load data as input, through the Seeker Optimization Algorithm(SOA) to search algorithm on the parameters of support vector optimization, and get the optimal parameter selection, and then put the optimal parameter generation into the SVM prediction model, get the Seeker Optimization Algorithm of support vector machine (SOA-SVM) model, by using this model for the next 24 hours in one region of the load for short-term prediction. Through the example, the use of SOA-SVM prediction precision accuracy is higher than BP neural network and PSO-SVM,so that use this method to short-term load forecasting is feasible and effective.
查看全文  查看/发表评论  下载PDF阅读器
关闭
  • 哈尔滨电工仪表研究所有限公司
  • 中国电工仪器仪表信息网
  • 中国仪器仪表学会
  • 中华人民共和国新闻出版总署
  • 中国科技期刊编辑学会
  • 黑龙江省科学技术协会
  • 编辑之家
  • 中国知网
  • 万方数据库
  • 维普网
  • 北极星电力网
  • 中华中控网
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
地址:哈尔滨市松北区创新路2000号    邮编:150028
邮箱:dcyb@vip.163.com    电话:0451-86611021;87186023
© 2012 电测与仪表    哈公网监备2301003445号
黑ICP备11006624号-1
技术支持:北京勤云科技发展有限公司