基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测

发布时间：2018-06-16 03:13

  本文选题：钢铁负荷预测 + 最小二乘支持向量机　； 参考：《华北电力大学学报(自然科学版)》2014年06期

【摘要】：钢铁企业电力负荷作为电力负荷的重要组成部分,钢铁电力负荷的准确预测对于提高电力负荷预测精度具有重要意义。为了实现钢铁电力负荷的中长期预测,本文选取了经济因素和社会因素作为自变量,引入带有惯性权重的粒子群算法(WPSO)对传统的最小二乘支持向量机智能预测模型(LSSVM)参数进行优化,并利用某地区钢铁电力负荷样本数据进行验证,拟合结果显示,经过粒子群算法优化后的最小二乘智能向量机算法预测精度更高,收敛速度更快,具有良好的推广性和适应性。
[Abstract]:As an important part of power load, the accurate forecasting of iron and steel power load is of great significance to improve the accuracy of power load forecasting. In order to realize the medium and long term forecasting of iron and steel power load, this paper selects economic and social factors as independent variables. The particle swarm optimization (WPSO) algorithm with inertia weight is introduced to optimize the LSSVM parameters of the traditional LS-SVM intelligent forecasting model. The LSSVM parameters are verified by the sample data of iron and steel power load in a certain area. The fitting results show that, The least square intelligent vector machine algorithm optimized by particle swarm optimization has higher prediction accuracy, faster convergence speed and better generalization and adaptability.
【作者单位】： 国网冀北电力有限公司经济技术研究院;华北电力大学经济与管理学院;
【基金】：国家自然科学基金资助项目(71471059)
【分类号】：TM715

【参考文献】

相关期刊论文 前6条

1 郑静 ,杜秀华 ,史新祈;大型钢铁企业电力负荷的短期预测研究[J];电力需求侧管理;2004年01期

2 张雪君;陈刚;周杰;马爱军;张忠静;;基于粒子群优化鲁棒支持向量回归机的中长期负荷预测[J];电力系统保护与控制;2009年21期

3 廖旎焕;胡智宏;马莹莹;卢王允;;电力系统短期负荷预测方法综述[J];电力系统保护与控制;2011年01期

4 姚全珠;蔡婕;;基于PSO的LS-SVM特征选择与参数优化算法[J];计算机工程与应用;2010年01期

5 龚松建;袁宇浩;王莉;张广明;;基于PSO优化LS-SVM的短期风速预测[J];可再生能源;2011年02期

6 陶莉,陈丽娟;钢铁企业短期负荷预测的研究[J];南京工程学院学报(自然科学版);2005年02期

【共引文献】

相关期刊论文 前10条

1 闫冬梅;任丽莉;康冰;;基于小波回归分析法的短期负荷预测模型研究[J];长春师范学院学报(自然科学版);2010年04期

2 贺辉;杨洁;;武广客运专线铁路电力负荷特性分析及预测[J];电力需求侧管理;2011年03期

3 蒋燕;王少杨;封芸;;基于递归等权组合模型的中长期电力负荷预测[J];电力系统及其自动化学报;2012年01期

4 高超;程浩忠;李宏仲;高均;顾巍;;大容量冲击负荷对地区电网暂态稳定性的影响[J];电网技术;2008年01期

5 李如琦;苏浩益;王宗耀;邓国良;陈铁洲;;应用启发式最小二乘支持向量机的中长期电力负荷预测[J];电网技术;2011年11期

6 刘文颖;门德月;梁纪峰;王维洲;;基于灰色关联度与LSSVM组合的月度负荷预测[J];电网技术;2012年08期

7 李鹏鹏;彭显刚;孟安波;李慧良;农为踊;;小波贝叶斯神经网络在冲击负荷地区短期负荷预测中的应用[J];电力科学与工程;2012年11期

8 王干军;徐衍会;;负荷预测准确性评估方法研究[J];广东电力;2012年11期

9 焦润海;苏辰隽;林碧英;莫瑞芳;;基于气象信息因素修正的灰色短期负荷预测模型[J];电网技术;2013年03期

10 刘春霞;张雪艳;;改进人工智能神经网络的短期电力负荷预测[J];电气应用;2013年04期

相关会议论文 前7条

1 张川;高峰;翟桥柱;管晓宏;周佃民;高云龙;张平安;;基于滚动优化的钢铁企业电力优化调度算法[A];第二十六届中国控制会议论文集[C];2007年

2 高峰;张川;徐晖;周佃民;翟桥柱;管晓宏;;大型用电企业负荷预测校正方法[A];第二十七届中国控制会议论文集[C];2008年

3 杨艺敏;景新幸;杨海燕;;PSO-SVM在说话人确认系统中的研究[A];泛在信息社会中的声学——中国声学学会2010年全国会员代表大会暨学术会议论文集[C];2010年

4 盛刚;孙彦广;梁青艳;;钢铁企业电力负荷分析与预测模型的探讨[A];全国冶金自动化信息网2011年年会论文集[C];2011年

5 刘海田;韩朝;张东宁;万春红;吴彦文;;大型机加工设备用电能效实时监测系统的实现[A];改造提升传统产业培育发展战略性新兴产业高端论坛论文集[C];2014年

6 Gang Ji;Jingcheng Wang;Yang Ge;Huajiang Liu;;Urban Water Demand Forecasting by LS-SVM with Tuning based on Elitist Teaching-Learning-based Optimization[A];第26届中国控制与决策会议论文集[C];2014年

7 夏非;范莉;苏浩益;;基于粗糙集理论和启发式径向基函数神经网络的中长期电力负荷预测模型[A];2013年江西省电机工程学会年会论文集[C];2013年

相关博士学位论文 前10条

1 聂秋平;钢铁企业能源实绩平衡与优化调度策略及应用研究[D];中南大学;2011年

2 郭嘉;回声状态网络分类方法及其应用研究[D];哈尔滨工业大学;2011年

3 李修飞;钢铁企业面向订单的集成生产计划管理技术研究[D];大连理工大学;2008年

4 侯建朝;中国能源与经济之间关系的模型及实证分析[D];华北电力大学（北京）;2009年

5 王吉利;电力系统特殊负荷建模的研究[D];华北电力大学（北京）;2010年

6 蒋强;复杂网络同步控制及其在电力系统中的应用研究[D];西南交通大学;2011年

7 赵杰;光伏发电并网系统的相关技术研究[D];天津大学;2012年

8 叶子菀;高耗能工业用电行为分析与治理研究[D];武汉大学;2013年

9 林少伯;含光伏电源的微电网储能控制技术研究[D];华北电力大学;2013年

10 王大鹏;灰色预测模型及中长期电力负荷预测应用研究[D];华中科技大学;2013年

相关硕士学位论文 前10条

1 王文栋;GEP及SVM融合的分类技术研究[D];广西师范学院;2010年

2 王洪亮;林州产业集聚区电网规划研究[D];郑州大学;2010年

3 闫冬梅;大孤山选矿厂电能信息采集及短期负荷预测的研究[D];长春工业大学;2010年

4 史鹏飞;面向对象的电力系统综合负荷预测软件开发及应用[D];太原理工大学;2011年

5 王晓;基于高光谱图像及近红外光谱技术的水果表面农药残留的无损检测研究[D];江西农业大学;2011年

6 张炜桀;智能电网环境下的电力负荷预测[D];西南交通大学;2011年

7 刘潭;基于改进LS-SVM的浮选回收率预测研究[D];辽宁科技大学;2011年

8 唐志煦;基于特征选择的入侵检测研究[D];中国科学技术大学;2011年

9 周江昕;考虑需求侧管理的负荷预测方法研究[D];上海交通大学;2012年

10 杨占杰;智能配电网短期负荷预测研究[D];天津大学;2012年

【二级参考文献】

相关期刊论文 前10条

1 高山;短期负荷预测的神经网络实现[J];电力需求侧管理;2001年06期

2 杨争林,宋燕敏,曹荣章,孙维真,吴劲晖;超短期负荷预测在发电市场中的应用[J];电力系统自动化;2000年11期

3 康重庆,夏清,张伯明;电力系统负荷预测研究综述与发展方向的探讨[J];电力系统自动化;2004年17期

4 白建社,盛戈v，

本文编号：2024993