基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法
智能电网的建设和电力市场的发展对短期负荷预测的精度和速度提出了更高的要求。应用一种仿生算法来改善负荷预测的精度和运算速度,提出一种基于细菌群落趋药性优化算法的最小二乘支持向量机(least squares-support vector machine based on bacterial colony chemotaxis optimization,BCC-LS-SVM)模型,通过细菌群体趋药性优化算法快速、合理地确定最小二乘支持向量机(least squares-support vectormachine,LS-SVM)的超参数。研究表明,与前馈(back-propagation,BP)神经网络算法和单纯的LS-SVM算法相比,BCC-LS-SVM算法具有较强的全局搜索能力,易于操作,能够实现更高的预测精度及更好的运算速度,更适用于当前中国短期负荷预测的需要。
短期负荷预测、超参数选择、细菌群落趋药性、最小二乘支持向量机
31
TM73(输配电工程、电力网及电力系统)
国家自然科学基金项目70671041 70771039;美国能源基金会项目G-1006-12630;国家电网公司科技项目KJ-2010-26
2012-04-21(万方平台首次上网日期,不代表论文的发表时间)
共7页
93-99