【摘要】：預測精度是電力負荷預測的重要指標。為增強預測精度,提出基于小波變異果蠅優(yōu)化的支持向量機預測模型(WFOAAM-LSSVM)。利用小波對負荷數(shù)據(jù)進行預處理,分解成不同尺度的負荷曲線,加強歷史數(shù)據(jù)規(guī)律性和隨機性。針對果蠅算法尋優(yōu)精度不高和易陷入局部最優(yōu)的不足,利用群體適應度方差和當前最優(yōu)解判斷是否陷入局部最優(yōu),再進行最優(yōu)個體擾動和高斯變異操作,對變異后的果蠅個體二次尋優(yōu),使支持向量機預測模型精度得到明顯增強。利用WFOAAM-LSSVM對2015年河南省某地區(qū)歷史負荷數(shù)據(jù)對未來幾日預測,并與支持向量機模型以及粒子群優(yōu)化的支持向量機模型預測結果對比。結果表明:基于小波變異果蠅優(yōu)化的支持向量機短期負荷預測精度高,具有很好的實際應用意義。
[Abstract]:The prediction accuracy is an important index of the power load prediction. In order to enhance the prediction accuracy, a support vector machine prediction model (WFOAM-LSSVM) based on wavelet variation and fruit fly optimization is proposed. The load data is pre-processed by wavelet, and it is decomposed into load curves of different scales, and the regularity and randomness of historical data are strengthened. aiming at the defect that the optimization precision of the fruit fly algorithm is not high and the local optimal is easy to fall, the population fitness variance and the current optimal solution are utilized to judge whether to be in a local optimal state, And the accuracy of the prediction model of the support vector machine is obviously enhanced. Using the WFOAAM-LSSVM to predict the future of the historical load data of a region in Henan Province in 2015, and compared with the support vector machine model and the support vector machine model prediction results of the particle swarm optimization. The results show that the short-term load forecasting precision of the support vector machine based on the wavelet-variant fruit fly optimization has great practical significance.
【作者單位】： 華北水利水電大學電力學院;
【基金】：國家電網公司2016年科技項目“輸變電重大工程社會效益評價體系”
【分類號】：TM715;TP18

【參考文獻】

相關期刊論文 前10條

1 郭鳳儀;李坤;陳昌墾;劉艷麗;王喜利;王智勇;;基于小波近似熵的串聯(lián)電弧故障識別方法[J];電工技術學報;2016年24期

2 張琳;馬宏忠;王濤云;李勇;許洪華;;基于振動-SVM的變壓器繞組缺陷診斷方法[J];陜西電力;2016年11期

3 林順富;郝朝;湯曉棟;李東東;符楊;;基于數(shù)據(jù)挖掘的樓宇短期負荷預測方法研究[J];電力系統(tǒng)保護與控制;2016年07期

4 陳毅波;鄭玲;姚建剛;;基于粗糙集理論與D-S證據(jù)理論改進的多元回歸負荷預測方法研究[J];電力系統(tǒng)保護與控制;2016年06期

5 劉思捷;張海鵬;林舜江;劉明波;李嘉龍;王一;孫謙;;夏季日最大降溫負荷的估算和預測方法[J];電力系統(tǒng)保護與控制;2016年05期

6 何軒;王永慶;溫步瀛;;基于粒子群算法優(yōu)化支持向量機的專用工程費用量化研究[J];電網與清潔能源;2015年12期

7 王東;史曉霞;尹交英;;不同核函數(shù)的支持向量機用于空調負荷預測的對比研究[J];電工技術學報;2015年S1期

8 魯軍;李俠;王重馬;于慶洋;高琳;吳立天;;基于小波分析的MSMA振動傳感器信號處理與故障檢測[J];電工技術學報;2015年10期

9 金翠云;崔瑤;王穎;;粒子群優(yōu)化的SVM算法在氣體分析中的應用[J];電子測量與儀器學報;2012年07期

10 孫斌;姚海濤;;基于PSO優(yōu)化LSSVM的短期風速預測[J];電力系統(tǒng)保護與控制;2012年05期

【共引文獻】

相關期刊論文 前10條

1 熊軍華;牛珂;張春歌;李鐸;謝飛;;基于小波變異果蠅優(yōu)化支持向量機短期負荷預測方法研究[J];電力系統(tǒng)保護與控制;2017年13期

2 馬發(fā)軒;;配網用戶用電特性市場分析預測應用系統(tǒng)方案設計[J];電力系統(tǒng)保護與控制;2017年12期

3 喻其炳;李勇;白云;姚行艷;成志偉;李川;;基于聚類分析與偏最小二乘法的支持向量機PM_(2.5)預測[J];環(huán)境科學與技術;2017年06期

4 瞿合祚;劉恒;李曉明;黃建明;;基于多標簽隨機森林的電能質量復合擾動分類方法[J];電力系統(tǒng)保護與控制;2017年11期

5 董明亮;劉培勝;潘振;文江波;李秉繁;;基于SVM-GA模型的城市天然氣長期負荷預測[J];遼寧石油化工大學學報;2017年02期

6 胡俊;胡業(yè)發(fā);程鑫;宋劭;陳強;;基于小波變換的磁懸浮軸承冗余位移傳感器故障診斷方法[J];制造業(yè)自動化;2017年04期

7 何連杰;史常凱;閆卓;崔家瑞;張波;;基于廣義S變換能量相對熵的小電流接地系統(tǒng)故障區(qū)段定位方法[J];電工技術學報;2017年08期

8 白楊;趙冠;竇金延;黃國強;閆敏;李逐云;雷霞;劉增慶;;基于并行膜計算的短期電力負荷組合預測[J];電力系統(tǒng)保護與控制;2017年07期

9 尼俊紅;趙云偉;申振濤;;基于業(yè)務流量的配電通信網可靠性分析[J];電力系統(tǒng)保護與控制;2017年07期

10 李嘯驄;李春濤;從蘭美;任子熠;羅宏亮;王_g文;袁輝;丘浩;;基于動態(tài)權值相似日選取算法的短期負荷預測[J];電力系統(tǒng)保護與控制;2017年06期

【二級參考文獻】

相關期刊論文 前10條

1 行晉源;李慶民;叢浩熹;李勁松;陳強;李慶余;;長距離輸電線路潛供電弧弧根跳躍與弧長劇變的物理機制與仿真[J];電工技術學報;2016年12期

2 張冠英;張曉亮;劉華;汪友華;;低壓系統(tǒng)串聯(lián)故障電弧在線檢測方法[J];電工技術學報;2016年08期

3 王智勇;郭鳳儀;王海潮;陳艷君;王賀;鄭志強;;礦用栓接電纜接頭松動故障識別方法研究[J];煤炭學報;2016年04期

4 王寧;謝敏;鄧佳梁;劉明波;李嘉龍;王一;劉思捷;;基于支持向量機回歸組合模型的中長期降溫負荷預測[J];電力系統(tǒng)保護與控制;2016年03期

5 谷云東;張素杰;馮君淑;;大用戶電力負荷的多模型模糊綜合預測[J];電工技術學報;2015年23期

6 李玲玲;曹麗鵬;劉伯穎;李昊宇;周亞同;;多屬性系統(tǒng)中的屬性權重分配方法[J];電工技術學報;2015年S1期

7 馬宏忠;周宇;李凱;許洪華;王濤云;;基于振動的變壓器繞組壓緊狀態(tài)評估方法[J];電力系統(tǒng)自動化;2015年18期

8 王惠中;劉軻;周佳;;基于綜合氣象指數(shù)和日期類型的電力系統(tǒng)負荷預測[J];電網與清潔能源;2015年09期

9 殷家敏;吉暢;羅建;張鵬;;基于電容序列近似熵的消弧線圈接地選線方法[J];電力系統(tǒng)保護與控制;2015年17期

10 朱建全;劉鋒;梅生偉;劉明波;;基于證據(jù)推理的電力負荷建模[J];電工技術學報;2015年15期

【相似文獻】

相關期刊論文 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機和小波分解的氣體識別研究[J];儀器儀表學報;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機的一個邊界樣本修剪方法[J];合肥工業(yè)大學學報(自然科學版);2006年07期

3 張菁華;袁鑫;劉達;;基于支持向量機的電力工程最優(yōu)投標報價決策研究[J];山東電力高等�？茖W校學報;2006年04期

4 張濤;段淑敏;;支持向量機在中醫(yī)疾病癥候診斷中的應用[J];華北水利水電學院學報;2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機回歸[J];清華大學學報(自然科學版);2007年S2期

6 陳丹;;多類支持向量機算法的研究[J];東莞理工學院學報;2007年05期

7 程麗麗;張健沛;馬駿;;一種改進的加權邊界調節(jié)支持向量機算法[J];哈爾濱工程大學學報;2007年10期

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學院學報;2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學院學報(自然科學版);2008年02期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：2502272