發(fā)布時間：2021-03-06 05:51

　　針對短期電力負荷在線預測問題,結(jié)合多變量相空間重構(gòu)以及多核函數(shù)最小二乘支持向量機（least squares support vector machine,LS-SVM）,提出一種基于滑動窗口策略與改進人工魚群算法（artificial fish swarm algorithm,AFSA）的短期電力負荷在線預測綜合優(yōu)化方法。首先,利用多變量相空間重構(gòu)還原真實電力系統(tǒng)動力學特性;然后,將核函數(shù)進行排列組合,從而將組合核函數(shù)的構(gòu)造問題轉(zhuǎn)換為權(quán)值系數(shù)的優(yōu)化問題;進一步,將延遲時間、嵌入維數(shù)、LS-SVM參數(shù)及核函數(shù)權(quán)值作為整體參數(shù)向量,利用混沌自適應人工魚群算法對訓練數(shù)據(jù)預測精度的適應度函數(shù)進行優(yōu)化,從而得到最優(yōu)的預測模型參數(shù);最后,通過滑動時窗策略將得到的預測模型對短期電力負荷進行在線預測,結(jié)果證明了提出方法的有效性。 

【文章來源】：科學技術(shù)與工程. 2020,20(29)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

核函數(shù)組合示意圖

設窗口的長度為L,根據(jù)最小二乘支持向量機理論可知回歸模型求解的關(guān)鍵在于求出Q-1,令QL=ΩL+(1/γ)I,其中QL∈RL×L,ΩL∈RL×L,Ωi,j=K(xi,xj)代表核函數(shù),i,j=1,2,…,L。因此樣本更新問題就轉(zhuǎn)化為Q L -1 的迭代過程[8]。具體的滑動窗口示意如圖2所示�；诨瑒哟翱诙嗪撕瘮�(shù)LS-SVM在線預測算法的具體步驟如下。

優(yōu)化對比結(jié)果

【參考文獻】：
期刊論文
[1]基于BA-SVR的鄉(xiāng)村游短期客流預測模型[J]. 王曉宇,蘇放.  計算機工程與設計. 2018(12)
[2]基于遺傳算法LS-SVM直接逆模型的閉環(huán)腦機接口單關(guān)節(jié)控制[J]. 孫京誥,王碩,楊嘉雄,薛瑞,潘紅光.  信息與控制. 2018(06)
[3]基于魚群算法的運載火箭上升段彈道優(yōu)化設計[J]. 李曉蘇,晁濤,王松艷.  系統(tǒng)仿真學報. 2018(12)
[4]鋼鐵企業(yè)電力負荷動態(tài)預測建模問題的應用研究[J]. 梁青艷,孫彥廣.  科學技術(shù)與工程. 2018(16)
[5]混沌人工魚群的魯棒保性能控制權(quán)值矩陣優(yōu)化方法[J]. 李騰輝,謝壽生,彭靖波,賈偉洲,何大偉.  工程科學學報. 2018(04)
[6]改進BA優(yōu)化的MKSVDD航空發(fā)動機工作狀態(tài)識別[J]. 何大偉,彭靖波,胡金海,宋志平.  北京航空航天大學學報. 2018(10)
[7]基于混沌粒子群—高斯過程回歸的飽和負荷概率預測模型[J]. 彭虹橋,顧潔,胡玉,宋柄兵.  電力系統(tǒng)自動化. 2017(21)
[8]基于相空間重構(gòu)與最小二乘支持向量機的時延預測[J]. 田中大,張超,李樹江,王艷紅,沙毅.  電子學報. 2017(05)
[9]基于相空間重構(gòu)和最小二乘支持向量回歸模型參數(shù)同步優(yōu)化的碳市場價格預測[J]. 石雪濤,朱幫助.  系統(tǒng)科學與數(shù)學. 2017(02)
[10]基于ITD復雜度和PSO-SVM的滾動軸承故障診斷[J]. 張小龍,張氫,秦仙蓉,孫遠韜.  振動與沖擊. 2016(24)



本文編號：3066547