基于改进型SVR的电网短期负荷预测

doi:10.11930/j.issn.1004-9649.2016.08.054.05

摘要/Abstract

摘要： 常规的支持向量回归预测模型（SVR）预测算法采用人工经验的方法对RBF核函数参数、不敏感系数和惩罚系数等参数进行选取，其性能会因随机选取的参数而变得随机和不确定。人工鱼群算法的初始参数会对整个算法的优化性能产生较大影响，将粒子群优化算法和混沌机制引入常规人工鱼群算法，对其进行改进，可以提高种群多样性和全局寻优能力，避免优化算法陷入局部最优解。通过实验方法对改进型人工鱼群优化SVR预测模型的性能进行分析。结果表明，所研究的短期负荷预测精度较高，具有较好的工程应用价值。

关键词: 短期负荷预测, 人工鱼群优化算法, 粒子群优化, 混沌机制

Abstract: In conventional SVR prediction algorithm, parameters including RBF kernel function parameters, insensitive coefficient and punish coefficient are selected manually. The random selected parameters lead to performance uncertainty. The initial parameters of artificial fish algorithm greatly influence optimization performance. By applying particle swarm optimization and chaotic theory to conventional artificial fish algorithm, the global optimization ability can be improved. Detailed analysis are performed are testing data of improved SVR load prediction model. Results show that the proposed method has better prediction accuracy and good engineering application value.

Key words: power short-term load forecasting, artificial fish optimization algorithm, particle swarm optimization, chaotic mechanism

中图分类号:

TM715

钱志. 基于改进型SVR的电网短期负荷预测[J]. 中国电力, 2016, 49(8): 54-58.

QIAN Zhi. Short-Term Power Load Forecasting Based on Improved SVR[J]. Electric Power, 2016, 49(8): 54-58.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.2016.08.054.05

https://www.electricpower.com.cn/CN/Y2016/V49/I8/54

参考文献

[1] 杨再鹤，向铁元，郑丹. 基于小波变换和SVM算法的微电网短期负荷预测研究[J]. 现代电力，2014，31（3）：74－79．
YANG Zaihe, XIANG Tieyuan, ZHENG Dan. Short-term load forecasting of microgrid based on wavelet transform and support vector machines [J]. Modern Electric Power, 2014, 31(3): 74-79.
[2] 钟清，孙闻，余南华，等. 主动配电网规划中的负荷预测与发电预测[J]. 中国电机工程学报，2014，34（19）：3050－3056．
ZHONG Qing, SUN Wen, YU Nanhua, et al. Load and power forecasting in active distribution network planning [J]. Proceedings of the CSEE, 2014, 34(19): 3050-3056.
[3] 陈超，黄国勇，邵宗凯，等. 基于日特征量相似日的PSO-SVM短期负荷预测[J]. 中国电力，2013，46（7）：91－94．
CHEN Chao, HUANG Guoyong, SHAO Zongkai, et al. Short-term load forecasting for similar days based on PSO-SVM and daily feature vector [J]. Electric Power, 2013, 46(7): 91-94.
[4] 刘晓娟，方建安. 基于双修正因子的模糊时间序列日最大负荷预测[J]. 中国电力，2013，46（10）：115－118．
LIU Xiaojuan, FANG Jianan. Maximum load forecasting based on a bi-factor revised fuzzy time series model[J]. Electric Power,2013, 46(10): 115-118.
[5] 蔡剑彪. 基于云计算的智能电网负荷预测平台研究[D]. 长沙：湖南大学，2013.
[5] 项尚. 阳江地区电网负荷预测与优化研究[D]. 广州：华南理工大学，2013.
[6] 陈晓露. 交互式智能电网的负荷预测与定价机制[D]. 上海：上海交通大学，2013．
[7] 叶旭东. 地区电网负荷预测与优化模式理论及应用研究[D]. 阜新：辽宁工程技术大学，2006．
[8] 黄超辉. 微电网的发电和负荷预测及其模糊控制研究[D]. 长沙：湖南大学，2012．
[9] 白建伟. 山西电网母线负荷特性分析及预测系统应用[D]. 北京：华北电力大学，2012.
[10] 侯磊. 城市电网规划总量负荷预测系统的开发与应用[D]. 天津：天津大学，2008.
[11] 张俊，殷坤龙，王佳佳，等. 基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究[J]. 岩石力学与工程学报，2015， 34（2）：382-391.
ZHANG Jun, YIN Kunlong, WANG Jiajia, et al. Displacement prediction of Baishuihe landslide based on time series and PSO-SVR model[J]. Chinese Journal of Rock Mechanics and Engineering, 2015, 34(2): 382-391.
[12] 高雷阜，高晶，赵世杰. 人工鱼群算法优化SVR的预测模型[J].统计与决策，2015（7）：13－16．
[13] 姚卫红，方仁孝，张旭东. 基于混合人工鱼群优化SVR的交通流量预测[J]. 大连理工大学学报，2015，56（6）：632－637．
YAO Weihong, FANG Renxiao, ZHANG Xudong. Traffic flow forecasting based on optimized SVR with hybrid artificial fish swarm algorithm[J]. Journal of Dalian University of Technology,2015, 56(6): 632-637.
[14] 杨建辉，李龙. 基于SVR的期权价格预测模型[J]. 系统工程理论与实践，2011，31（5）：848-854.
YANG Jianhui, LI Long. Option price forecasting model based on SVR[J]. Systems Engineering-Theory & Practice, 2011, 31(5):848-854.
[15] 朱斌，姜宁，霍雪松，等. 南京城市电网核心区短期负荷特性分析及预测[J]. 中国电力，2016，48（2）：67－72．
ZHU Bin, JIANG Ning, HUO Xuesong, et al. Forecasting and studies on load characteristics of Nanjing center area power network [J]. Electric Power, 2016, 48(2): 67-72.