發(fā)布時間：2018-02-16 13:30

  本文關(guān)鍵詞： 短期負(fù)荷預(yù)測 最小二乘支持向量機 人工蜂群算法 混沌搜索　出處：《遼寧工程技術(shù)大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：短期負(fù)荷預(yù)測是電力部門非常重要的一項工作,它關(guān)系到發(fā)電單位對發(fā)電計劃的合理安排,所以對其進行研究是非常必要的。短期負(fù)荷預(yù)測的結(jié)果是否精準(zhǔn)影響著電力部門的計劃交易量和電力系統(tǒng)是否能安全穩(wěn)定地運行。因此,采用適當(dāng)?shù)亩唐谪?fù)荷預(yù)測方法和最大程度地提高預(yù)測精度和準(zhǔn)確性已成為負(fù)荷預(yù)測領(lǐng)域的重要研究課題。首先,本文介紹了負(fù)荷預(yù)測的研究背景及意義并對負(fù)荷預(yù)測進行了分類,重點闡述了短期電力負(fù)荷預(yù)測的特點、方法和研究現(xiàn)狀等；其次,結(jié)合電力負(fù)荷的特性,提出建立基于最小二乘支持向量機的預(yù)測模型。由于模型參數(shù)對預(yù)測的結(jié)果有著很大的影響,所以最小二乘向量機參數(shù)的優(yōu)化非常重要,本文分別采取人工蜂群算法和改進蜂群算法對參數(shù)進行尋優(yōu),對兩種算法的原理和流程進行了說明,并對兩種算法的優(yōu)化性能進行驗證。最后分別建立基于LS-SVM、ABC-LSSVM和CABC-LSSVM的預(yù)測模型,針對遼寧某地區(qū)的負(fù)荷進行預(yù)測,并對比各模型的預(yù)測結(jié)果,結(jié)合影響負(fù)荷預(yù)測的因素進行分析并得出結(jié)論,預(yù)測結(jié)果驗證了本文人工蜂群算法優(yōu)化是有效的,其中基于改進蜂群優(yōu)化LSSVM預(yù)測精度最高。
[Abstract]:Short-term load forecasting is a very important task in the power sector. It is related to the reasonable arrangement of power generation plans by power generation units. So it is very necessary to study it. Whether the result of short-term load forecasting affects the planned trading volume of the power sector and whether the power system can operate safely and stably. It has become an important research topic in the field of load forecasting to adopt appropriate short-term load forecasting methods and to improve forecasting accuracy and accuracy to the greatest extent. This paper introduces the research background and significance of load forecasting, and classifies load forecasting, focusing on the characteristics, methods and research status of short-term power load forecasting. Secondly, combined with the characteristics of power load, A prediction model based on least squares support vector machine (LS-SVM) is proposed. Because the parameters of the model have a great influence on the prediction results, it is very important to optimize the parameters of LS-SVM. In this paper, artificial bee colony algorithm and improved bee colony algorithm are adopted to optimize the parameters, the principle and flow of the two algorithms are explained, and the optimization performance of the two algorithms is verified. Finally, the prediction models based on LS-SVMMA-ABC-LSSVM and CABC-LSSVM are established, respectively. According to the load forecast of a certain area in Liaoning Province, the forecasting results of each model are compared, and the factors affecting load forecasting are analyzed and concluded. The prediction results verify the effectiveness of the artificial bee colony algorithm optimization in this paper. The prediction accuracy of LSSVM based on improved colony optimization is the highest.
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TM715

【參考文獻】

相關(guān)期刊論文 前10條

1 胡珂;李迅波;王振林;;改進的人工蜂群算法性能[J];計算機應(yīng)用;2011年04期

2 方振國;陳得寶;;新的基于混沌搜索的組優(yōu)化算法[J];計算機應(yīng)用;2011年03期

3 段青;趙建國;馬艷;;優(yōu)化組合核函數(shù)相關(guān)向量機電力負(fù)荷預(yù)測模型[J];電機與控制學(xué)報;2010年06期

4 羅鈞;盧嘉江;陳偉民;付麗;劉學(xué)明;張平;陳建端;;具有禁忌策略的蜂群算法評定圓柱度誤差[J];重慶大學(xué)學(xué)報;2009年12期

5 霍明;羅滇生;何井龍;;短期負(fù)荷預(yù)測中SVM參數(shù)選取的混沌優(yōu)化方法[J];電力系統(tǒng)及其自動化學(xué)報;2009年05期

6 吳景龍;楊淑霞;劉承水;;基于遺傳算法優(yōu)化參數(shù)的支持向量機短期負(fù)荷預(yù)測方法[J];中南大學(xué)學(xué)報(自然科學(xué)版);2009年01期

7 林雄;;神經(jīng)網(wǎng)絡(luò)在電網(wǎng)負(fù)荷預(yù)測上的應(yīng)用研究[J];信息技術(shù);2008年09期

8 羅瑋;嚴(yán)正;;基于廣義學(xué)習(xí)矢量量化和支持向量機的混合短期負(fù)荷預(yù)測方法[J];電網(wǎng)技術(shù);2008年13期

9 王輝;錢鋒;;群體智能優(yōu)化算法[J];化工自動化及儀表;2007年05期

10 謝靜芳;王寶書;姜紅;;基于小時氣象因子的神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測模型[J];中國電力;2007年09期

相關(guān)碩士學(xué)位論文 前4條

1 鄒鐵英;基于粗糙集與支持向量機的電力短期負(fù)荷預(yù)測研究[D];南昌大學(xué);2008年

2 耿艷;基于最小二乘支持向量機的短期負(fù)荷預(yù)測方法及應(yīng)用研究[D];山東大學(xué);2008年

3 楊卓;基于負(fù)荷混沌特性和最小二乘支持向量機的短期負(fù)荷預(yù)測[D];西安理工大學(xué);2008年

4 龔燈才;基于支持向量機的電力短期負(fù)荷預(yù)測研究[D];河海大學(xué);2006年

，

本文編號：1515629