基于改进ABC与LS-SVM算法的电力负荷预测的研究

李文江; 陈阳

doi:10.13873/j.1000-97872013.05.015

Chinese

您当前的位置：

首页 >

文章列表页 >

基于改进ABC与LS-SVM算法的电力负荷预测的研究

研究与探讨 | 更新时间：2025-09-11

- 基于改进ABC与LS-SVM算法的电力负荷预测的研究
- Research on prediction of electric power load based on improved ABC and LS-SVM algorithm
- 传感器与微系统 2013年32卷第5期页码：57-59+63
- 作者机构：
  
  辽宁工程技术大学电气与控制工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/j.1000-97872013.05.015
  中图分类号： TM715
- 纸质出版：2013
- 稿件说明：
移动端阅览
[1]李文江,陈阳.基于改进ABC与LS-SVM算法的电力负荷预测的研究[J].传感器与微系统,2013,32(05):57-59+63.

LI Wen-jiang, CHEN Yang. Research on prediction of electric power load based on improved ABC and LS-SVM algorithm[J]. 2013, 32(5): 57-59+63.
[1]李文江,陈阳.基于改进ABC与LS-SVM算法的电力负荷预测的研究[J].传感器与微系统,2013,32(05):57-59+63. DOI： 10.13873/j.1000-97872013.05.015.

LI Wen-jiang, CHEN Yang. Research on prediction of electric power load based on improved ABC and LS-SVM algorithm[J]. 2013, 32(5): 57-59+63. DOI： 10.13873/j.1000-97872013.05.015.

摘要

为了解决电力负荷的非线性等问题和帮助电力企业迅速地制定电力的预计交易量

提出一种建立在最小二乘支持向量机算法基础上的电力负荷预测方法。采用改进的ABC算法优化惩罚因子C和核系数σ

再将最优解赋给LS-SVM用以预测。仿真结果证明:基于改进ABC与LS-SVM算法的电力负荷预测方法具有较高的预测精度

更小的误差

是一种有效的预测方法。

Abstract

In order to solve problems such as nonlinear of power load and help electric power enterprise quickly formulate power expected volume of trade

a kind of method based on least squares support vector machine（LS-SVM） algorithm to forecast electric power load is proposed.Using improved ABC algorithm to optimize penalty factor C and nuclear factor σ

then the optimal solution can be assigned to LS-SVM to predict.The simulation results show that the method based on improved ABC and LS-SVM algorithm to forecast electric power load has high precision

less error

it is a kind of effective prediction method.

关键词

Keywords

references

改进人工蜂群算法及其在反演分析中的应用 [J]. 康飞,李俊杰,许青,张运花. 水电能源科学 . 2009(01)

基于支持向量机的短期负荷预测的方法改进 [J]. 李云飞,黄彦全,蒋功连. 西华大学学报(自然科学版) . 2007(02)

短期负荷预测的支持向量机模型参数优化方法研究 [D]. 霍明. 湖南大学 2009

基于最小二乘支持向量机的短期负荷预测方法及应用研究 [D]. 耿艳. 山东大学 2008

基于支持向量机的电力短期负荷预测研究 [D]. 龚灯才. 河海大学 2006

电力系统负荷预测[M]. 中国电力出版社 , 康重庆, 2007

支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini,（英）JohnShawe-Taylor著, 2004

Prediction of flashover voltage of insulators using least squares support vector machines [J] . Muhsin Tunay Gencoglu,Murat Uyar. Expert Systems With Applications . 2009 (7)

A comparative study of Artificial Bee Colony algorithm [J] . Dervis Karaboga,Bahriye Akay. Applied Mathematics and Computation . 2009 (1)

A powerful and efficient algorithm for numerical function optimization: artificial bee colony （ABC） algorithm [J] . Dervis Karaboga,Bahriye Basturk. Journal of Global Optimization . 2007 (3)

Least Squares Support Vector Machine Classifiers [J] . J.A.K. Suykens,J. Vandewalle. Neural Processing Letters . 1999 (3)

浏览量

193

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

极端环境下光电编码器误差补偿方法

基于PCA-PSO-LSSVM的温室大棚温度预测方法

基于LS-SVM求解非线性常微分方程组的近似解

基于混沌PSO算法优化LS-SVM的惯导系统测试

3种空隙率测量建模方法的比较研究