位置:成果数据库 > 期刊 > 期刊详情页
基于改进蚁群算法优化参数的LSSVM短期负荷预测
  • ISSN号:1672-7207
  • 期刊名称:中南大学学报(自然科学版)
  • 时间:2011.11.11
  • 页码:3408-3414
  • 分类:TP273[自动化与计算机技术—控制科学与工程;自动化与计算机技术—检测技术与自动化装置]
  • 作者机构:[1]贵州财经学院贵州省经济系统仿真重点实验室,贵州贵阳550004, [2]中南大学信息科学与工程学院,湖南长沙410083, [3]衡阳师范学院物理与电子信息科学系,湖南衡阳421008
  • 相关基金:国家自然科学基金资助项目(60874070 61074069); 贵州财经学院博士科研启动基金资助项目
  • 相关项目:变论域模糊控制器的逼近特性研究
中文摘要:

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法。该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型。将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较。研究结果表明:本文方法得到的均方根相对误差为1.71%,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61%和1.05%。

英文摘要:

An optimization method based on the modified ant colony optimization(MACO) algorithm was used to select the two parameters of least square support vector machine(LSSVM) model.In this method,the parameters of LSSVM model were considered the position vector of ants.Target individuals which lead the ant colony to do global rapid search were determined by dynamic and stochastic extraction,and the optimal ant of this generation searched in small step nearly.The optimal parameter value was obtained by MACO and modified ant colony optimization-least square support vector machine(MACO-LSSVM) forecasting model was obtained.The proposed model is applied to the short-term electrical power load forecasting problem.Every hour's load from 2009-08-01 to 2009-08-30 of area in Hunan province was taken as the sample data to be analyzed.The results indicate that the root-mean-square relative error of the proposed method is only 1.71%,which is less than those of BP and SVM model by 1.61% and 1.05%,respectively.

同期刊论文项目
同项目期刊论文
期刊信息
  • 《中南大学学报:自然科学版》
  • 北大核心期刊(2011版)
  • 主管单位:教育部
  • 主办单位:中南大学
  • 主编:黄伯云
  • 地址:湖南长沙中南大学校本部
  • 邮编:410083
  • 邮箱:zngdxb@csu.edu.cn
  • 电话:0731-88879765
  • 国际标准刊号:ISSN:1672-7207
  • 国内统一刊号:ISSN:43-1426/N
  • 邮发代号:42-19
  • 获奖情况:
  • 首届全国优秀科技期刊评比一等奖,第二届全国优秀科技期刊评比一等奖,首届中国有色金属工业优秀科技期刊评比一等奖
  • 国内外数据库收录:
  • 美国化学文摘(网络版),荷兰文摘与引文数据库,美国工程索引,英国科学文摘数据库,中国中国科技核心期刊,中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版)
  • 被引量:20874