短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究

短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究

ID:5210738

大小:36.00 KB

页数:5页

时间:2017-12-06

短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究_第1页
短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究_第2页
短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究_第3页
短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究_第4页
短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究_第5页
资源描述:

《短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、短期电力负荷预测论文:基于粒子群优化的局部支持向量回归短期电力负荷预测建模方法研究【中文摘要】短期电力负荷预测影响社会经济效益,是电网安全稳定运行的基础。随着电力市场的不断发展,人们对短期电力负荷预测精度的要求也越来越高。本文首先介绍电力负荷预测的背景、国内外研究现状以及课题的研究意义。为了解负荷变化的特点和规律,本文还分析了短期电力负荷的特性及其影响因素。由于短期电力负荷和各种影响因素之间存在强非线性的关系,本文提出基于支持向量回归(SVR)来建立短期电力负荷预测模型。虽然SVR在很多场合的应用都很成功,但它忽略了样本间局部变化的趋势,影响了预测精度。故此,本文提出基于局部支

2、持向量回归(LSVR)的短期电力负荷预测模型,该模型通过捕捉个体间的局部变化趋势,有效提高预测模型性能。此外,由于在基于LSVR的建模过程中,关键参数的选取依赖于实验者的实际经验,所以难以取得最好的预测模型。为了进一步提高预测精度,本文提出使用粒子群算法(PSO)来优化LSVR中的4个参数,得到基于PSO-LSVR的预测模型。最后,本文使用杭州2009年和2010年的电网运行数据进行算法实验,分别建立基于SVR、LSVR、PSO-LSVR的预测模型,并进行仿真。通过仿真结果的比较,表明PSO-LSVR模型有效提高了预测精度。【英文摘要】Short-termloadforecas

3、ting(STLF)canaffectsocialeconomybenefits.Itisthebasisforsafeandstableoperationofpowersystems.Withthecontinuousdevelopmentofelectricitymarket,highprecisionofSTLFisrequired.Inthispaper,STLF’sbackground,researchstatusandsignificancewerepresentedfirstly.Inordertounderstandthecharacteristicsanddi

4、sciplinesoftheloadchanges,thispaperanalyzedtheshort-termloadcharacteristicsanditsinfluencefactors.Becauseofthestrongnonlinearrelationshipbetweenshort-termloadanditsinfluencefactors,STLFmodelbasedonsupportvectorregression(SVR)ofwasproposed.AlthoughSVRhasbeensuccessfullyappliedinmanydomains,it

5、lacksthetrendbetweentrainingdatas,andthiswillleadtodecreaseforecastingaccuracy.Consequently,LocalizedSupportVectorRegression(LSVR),whichcancapturethistrendandinprovetheperformanceofthemodel,wasproposedinthispaper.Inaddition,theselectionofkeyparametersdependsontheexperienceoftheresearchesinth

6、eprocessofbuildingLSVRmodel,sotheforecastingmodelwasnotveryaccurate.ThemodelbasedonPSO-LSVRwasproposedtoimprovetheaccuracyofforecasting,whichusedparticleswarmoptimization(PSO)tofindthebetterparameters.Finally,thispaperusedthedatasfromHangZhou’selectricpowerdepartmentandbuiltmodelsbasedonSVR、

7、LSVRandPSO-LSVRrespectively.TheperformancecomparisonbetweenthesimulationofLSVR-basedandtheSVR-basedforecastingmodelprovedthatLSVRisbetterthanSVR.AndthePSO-LSVR-basedmodelisthebestone,becauseitsaveragerelativeerrorwassmallerthantheothers.Simulationr

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。