基于克隆选择算法的支持向量回归实现年用电量预测

摘要：

建立在统计学习理论(SLT)和结构风险最小化(SRM)准则基础上的支持向量回归(SVR)是处理小样本数据回归问题的有利工具,SVR的参数取值直接影响其学习性能和泛化能力.文中将SVR参数选取看作参数的组合优化问题,采用克隆选择算法(CSA)求解该组合优化问题进而选取SVR参数,并应用基于CSA的SVR求解年电力需求预测问题,同时与BP网络预测方法进行了对比.预测结果表明提出的预测方法不仅易于实现,而且精度较高,且性能明显优于BP网络方法.

关键词：年用电量、支持向量回归、克隆选择算法、回归、预测

所属期刊栏目：36

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2008-09-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：11-15