基于自适应粒子群算法优化支持向量机的负荷预测
Load forecasting based on adaptive particle swarm optimization algorithm optimizing support vector machine作者机构：山东理工大学山东淄博255000
出 版 物：《现代电子技术》 (Modern Electronics Technique)
年 卷 期：2022年第45卷第3期
页 面：125-129页
学科分类：11[军事学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081002[工学-信号与信息处理] 110503[军事学-军事通信学]
基 金：国家重点研发计划(2017YFB092800) 淄博市重点研发计划资助(2019ZBXC498)
主 题：混沌初始化 群体算法 惯性因子 自适应粒子群算法 差分变异 支持向量机 负荷预测
摘 要：负荷预测是电力系统调度运行的重要基础数据,短期负荷预测的样本数据既有波动性也有随机性。群体优化算法尤其是粒子群算法在负荷预测中运用非常广泛,但常规粒子群算法的惯性参数一般是固定不变的,导致后期搜索效率下降。文中采用改进的自适应粒子群算法提高搜索效率:首先用混沌初始化替代原来的随机初始化,避免了初始种群分布不均;再根据每次迭代适应度的变化更新惯性因子,可以解决后期寻优速度下降的问题;通过差分变异将适应度较差的粒子进行变异,提高了较差个体更新效率;最后利用改进后的自适应粒子群算法优化支持向量机的关键参数c和g,并进行短期负荷预测。通过测试得到改进后的自适应粒子群算法具有较好的优化效果,并且由自适应粒子群算法优化的支持向量机模型具有更好的预测效果。
维普期刊数据库
同方期刊数据库