基于小波变异果蝇优化支持向量机短期负荷预测方法研究

发布时间：2019-06-19 10:11

【摘要】：预测精度是电力负荷预测的重要指标。为增强预测精度,提出基于小波变异果蝇优化的支持向量机预测模型(WFOAAM-LSSVM)。利用小波对负荷数据进行预处理,分解成不同尺度的负荷曲线,加强历史数据规律性和随机性。针对果蝇算法寻优精度不高和易陷入局部最优的不足,利用群体适应度方差和当前最优解判断是否陷入局部最优,再进行最优个体扰动和高斯变异操作,对变异后的果蝇个体二次寻优,使支持向量机预测模型精度得到明显增强。利用WFOAAM-LSSVM对2015年河南省某地区历史负荷数据对未来几日预测,并与支持向量机模型以及粒子群优化的支持向量机模型预测结果对比。结果表明:基于小波变异果蝇优化的支持向量机短期负荷预测精度高,具有很好的实际应用意义。
[Abstract]:The prediction accuracy is an important index of the power load prediction. In order to enhance the prediction accuracy, a support vector machine prediction model (WFOAM-LSSVM) based on wavelet variation and fruit fly optimization is proposed. The load data is pre-processed by wavelet, and it is decomposed into load curves of different scales, and the regularity and randomness of historical data are strengthened. aiming at the defect that the optimization precision of the fruit fly algorithm is not high and the local optimal is easy to fall, the population fitness variance and the current optimal solution are utilized to judge whether to be in a local optimal state, And the accuracy of the prediction model of the support vector machine is obviously enhanced. Using the WFOAAM-LSSVM to predict the future of the historical load data of a region in Henan Province in 2015, and compared with the support vector machine model and the support vector machine model prediction results of the particle swarm optimization. The results show that the short-term load forecasting precision of the support vector machine based on the wavelet-variant fruit fly optimization has great practical significance.
【作者单位】：华北水利水电大学电力学院;
【基金】：国家电网公司2016年科技项目“输变电重大工程社会效益评价体系”
【分类号】：TM715;TP18

【参考文献】

相关期刊论文前10条

1 郭凤仪;李坤;陈昌垦;刘艳丽;王喜利;王智勇;;基于小波近似熵的串联电弧故障识别方法[J];电工技术学报;2016年24期

2 张琳;马宏忠;王涛云;李勇;许洪华;;基于振动-SVM的变压器绕组缺陷诊断方法[J];陕西电力;2016年11期

3 林顺富;郝朝;汤晓栋;李东东;符杨;;基于数据挖掘的楼宇短期负荷预测方法研究[J];电力系统保护与控制;2016年07期

4 陈毅波;郑玲;姚建刚;;基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究[J];电力系统保护与控制;2016年06期

5 刘思捷;张海鹏;林舜江;刘明波;李嘉龙;王一;孙谦;;夏季日最大降温负荷的估算和预测方法[J];电力系统保护与控制;2016年05期

6 何轩;王永庆;温步瀛;;基于粒子群算法优化支持向量机的专用工程费用量化研究[J];电网与清洁能源;2015年12期

7 王东;史晓霞;尹交英;;不同核函数的支持向量机用于空调负荷预测的对比研究[J];电工技术学报;2015年S1期

8 鲁军;李侠;王重马;于庆洋;高琳;吴立天;;基于小波分析的MSMA振动传感器信号处理与故障检测[J];电工技术学报;2015年10期

9 金翠云;崔瑶;王颖;;粒子群优化的SVM算法在气体分析中的应用[J];电子测量与仪器学报;2012年07期

10 孙斌;姚海涛;;基于PSO优化LSSVM的短期风速预测[J];电力系统保护与控制;2012年05期

【共引文献】

相关期刊论文前10条

1 熊军华;牛珂;张春歌;李铎;谢飞;;基于小波变异果蝇优化支持向量机短期负荷预测方法研究[J];电力系统保护与控制;2017年13期

2 马发轩;;配网用户用电特性市场分析预测应用系统方案设计[J];电力系统保护与控制;2017年12期

3 喻其炳;李勇;白云;姚行艳;成志伟;李川;;基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测[J];环境科学与技术;2017年06期

4 瞿合祚;刘恒;李晓明;黄建明;;基于多标签随机森林的电能质量复合扰动分类方法[J];电力系统保护与控制;2017年11期

5 董明亮;刘培胜;潘振;文江波;李秉繁;;基于SVM-GA模型的城市天然气长期负荷预测[J];辽宁石油化工大学学报;2017年02期

6 胡俊;胡业发;程鑫;宋劭;陈强;;基于小波变换的磁悬浮轴承冗余位移传感器故障诊断方法[J];制造业自动化;2017年04期

7 何连杰;史常凯;闫卓;崔家瑞;张波;;基于广义S变换能量相对熵的小电流接地系统故障区段定位方法[J];电工技术学报;2017年08期

8 白杨;赵冠;窦金延;黄国强;闫敏;李逐云;雷霞;刘增庆;;基于并行膜计算的短期电力负荷组合预测[J];电力系统保护与控制;2017年07期

9 尼俊红;赵云伟;申振涛;;基于业务流量的配电通信网可靠性分析[J];电力系统保护与控制;2017年07期

10 李啸骢;李春涛;从兰美;任子熠;罗宏亮;王_g文;袁辉;丘浩;;基于动态权值相似日选取算法的短期负荷预测[J];电力系统保护与控制;2017年06期

【二级参考文献】

相关期刊论文前10条

1 行晋源;李庆民;丛浩熹;李劲松;陈强;李庆余;;长距离输电线路潜供电弧弧根跳跃与弧长剧变的物理机制与仿真[J];电工技术学报;2016年12期

2 张冠英;张晓亮;刘华;汪友华;;低压系统串联故障电弧在线检测方法[J];电工技术学报;2016年08期

3 王智勇;郭凤仪;王海潮;陈艳君;王贺;郑志强;;矿用栓接电缆接头松动故障识别方法研究[J];煤炭学报;2016年04期

4 王宁;谢敏;邓佳梁;刘明波;李嘉龙;王一;刘思捷;;基于支持向量机回归组合模型的中长期降温负荷预测[J];电力系统保护与控制;2016年03期

5 谷云东;张素杰;冯君淑;;大用户电力负荷的多模型模糊综合预测[J];电工技术学报;2015年23期

6 李玲玲;曹丽鹏;刘伯颖;李昊宇;周亚同;;多属性系统中的属性权重分配方法[J];电工技术学报;2015年S1期

7 马宏忠;周宇;李凯;许洪华;王涛云;;基于振动的变压器绕组压紧状态评估方法[J];电力系统自动化;2015年18期

8 王惠中;刘轲;周佳;;基于综合气象指数和日期类型的电力系统负荷预测[J];电网与清洁能源;2015年09期

9 殷家敏;吉畅;罗建;张鹏;;基于电容序列近似熵的消弧线圈接地选线方法[J];电力系统保护与控制;2015年17期

10 朱建全;刘锋;梅生伟;刘明波;;基于证据推理的电力负荷建模[J];电工技术学报;2015年15期

【相似文献】

相关期刊论文前10条

1 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期

3 张菁华;袁鑫;刘达;;基于支持向量机的电力工程最优投标报价决策研究[J];山东电力高等专科学校学报;2006年04期

4 张涛;段淑敏;;支持向量机在中医疾病症候诊断中的应用[J];华北水利水电学院学报;2007年03期

5 王晶;靳其兵;曹柳林;;面向多输入输出系统的支持向量机回归[J];清华大学学报(自然科学版);2007年S2期

6 陈丹;;多类支持向量机算法的研究[J];东莞理工学院学报;2007年05期

7 程丽丽;张健沛;马骏;;一种改进的加权边界调节支持向量机算法[J];哈尔滨工程大学学报;2007年10期

8 宋召青;崔和;胡云安;;支持向量机理论的研究与进展[J];海军航空工程学院学报;2008年02期

9 郭濵;孙晓梅;薛明;;基于壳向量的边界邻近支持向量机[J];黑龙江交通科技;2008年12期

10 许超;运士伟;舒云星;;基于支持向量机的混凝土测强换算模型[J];洛阳理工学院学报(自然科学版);2008年02期