基于QPSO参数优化的WLSSVM短期负荷预测

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于QPSO参数优化的WLSSVM短期负荷预测

王林川, 白波, 于奉振, 袁明哲

文章导航 > 现代电力 > 2010 > 27(5): 49-52

王林川, 白波, 于奉振, 等. 基于QPSO参数优化的WLSSVM短期负荷预测[J]. 现代电力, 2010, 27(5): 49-52.

引用本文:

王林川, 白波, 于奉振, 等. 基于QPSO参数优化的WLSSVM短期负荷预测[J]. 现代电力, 2010, 27(5): 49-52.

Wang Linchuan, Bai bo, Yu Fengzhen, etc. Shortterm Load Forecasting Based on WLSSVM Method withParameter Optimization by QPSO[J]. Modern Electric Power, 2010, 27(5): 49-52.

Citation:

Wang Linchuan, Bai bo, Yu Fengzhen, etc. Shortterm Load Forecasting Based on WLSSVM Method withParameter Optimization by QPSO[J]. Modern Electric Power, 2010, 27(5): 49-52.

基于QPSO参数优化的WLSSVM短期负荷预测

东北电力大学电气工程学院, 吉林吉林 132012

作者简介:
王林川(1955-), 男, 教授, 硕士生导师, 研究方向为电力系统稳定与控制、电力系统负荷预测与评价;白波(1986-), 男, 硕士研究生, 研究方向电力系统负荷预测。

Shortterm Load Forecasting Based on WLSSVM Method withParameter Optimization by QPSO

School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China

摘要: 为了解决负荷非线性特性导致的预测模型难以准确建立的问题, 提出一种基于量子粒子群优化(QPSO)参数选择的加权最小二乘支持向量机(WLSSVM)的短期负荷预测模型和方法。首先, 利用量子粒子群优化方法来对模型进行训练, 从而选出最优超参数。其次, 采用具有良好泛化性能的WLSSVM回归模型弥补损失的鲁棒性。文中以黑龙江电网短期负荷预测为例, 将该方法与一般LSSVM模型的预测结果进行了对比分析, 结果表明此方法能明显提高预测精度。
- 量子粒子群优化 /
- 最小二乘支持向量机 /
- 短期负荷预测 /
- 鲁棒性
Abstract: In order to solve the problem that load forecasting model is difficult to accurately establish because of the nonlinear characteristics of load, the weighted least squares support vector machine (WLSSVM) method based on quantumbehaved particle swarm optimization (QPSO) is introduced to build shortterm load forecasting models. Firstly, the quantum particle swarm optimization method is used to train the model to obtain the optimal hyper parameters. Then the WLSSVM regression model with good generalization performance is used to strengthen robustness. In addition, the forecasting results by this method are compared with that by general LSSVM model, which show that this method can significantly improve the prediction accuracy. In the end, the shortterm load forecasting of Heilongjiang power grid is simulated by using of this method and the results verify its validity.
- QPSO /
- LSSVM /
- shortterm load forecasting /
- robustness

[1]	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, 28(17):19.
[2]	Vapnik V.The Nature of Statistical Learning Theory[M].New York:SpringerVerlag New York, Inc., 1995.
[3]	Suykens J A K, Gestel T V, Brabanter J D, et al.Least Squares Support Vector Machines [M].World Scientific Publishing Co. Pte. Ltd., 2002.
[4]	Suykens J A K, Vandewalle J.Least Squares Support Vector Machine Classifiers[J].Neural Processing Letter, 1999, 9(3):293300.
[5]	Suykens J A K, Brabanter J D, Lukas L, et al.Weighted least squares support vector machines:robustness and sparse approximation [J].Neurocomputing, 2001, 48(2002):85105.
[6]	Kennedy J, Eberhart R. Particle swarm optimization[J]. Proceedings of the IEEE International Conference on Neural Networks, 1995, 19421948.
[7]	Sun J, Xu W B, Feng B.A Global Search Strategy of Quantum behaved Particle Swarm Optimization[C]. Proceedings of 2004 IEEE Conference on Cybernetics and Intelligent Systems. singapore, 2004:111116.
[8]	杨延西, 刘丁.基于小波变换和最小二乘支持向量机的短期电力负荷预测[J].电网技术, 2005, 29(13):6064.
[9]	李如琦, 杨立成, 苏媛媛, 等.基于相似日和蚁群优化LSSVM的短期电力负荷预测[J].现代电力, 2008, 25(2):3337.
[10]	范玉刚, 李平, 宋执环.动态加权最小二乘支持向量机[J].控制与决策, 2006, 21(10):11291133.
[11]	Guo X C, Yang J H, Wu C G, et al..A novel LSSVMs hyperparameter selection based on particle swarm optimization [J].Neurocomputing, 2008, 71:32113215.

[1]	马跃, 孟润泉, 李婷婷. 考虑柔性负荷和阶梯式碳交易的微电网鲁棒优化调度 . 现代电力, 2023, 40(): 1-11. doi: 10.19725/j.cnki.1007-2322.2022.0240
[2]	黄睿, 朱玲俐, 高峰, 王渝红, 杨亚兰, 熊小峰. 基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法 . 现代电力, 2023, 40(): 1-9. doi: 10.19725/j.cnki.1007-2322.2022.0210
[3]	王子乐, 王子谋, 蔡莹, 谭晶, 黄弦超. 基于长短期记忆神经网络组合算法的短期电力负荷预测 . 现代电力, 2023, 40(2): 201-209. doi: 10.19725/j.cnki.1007-2322.2021.0293
[4]	吴浩, 齐放, 张曦, 刘友波, 向月, 刘俊勇. 基于小波包分解与最小二乘支持向量机的用户侧净负荷预测 . 现代电力, 2023, 40(2): 192-200. doi: 10.19725/j.cnki.1007-2322.2021.0279
[5]	张虹, 袁琳, 李博文, 李伟东. 含有恒功率负荷的直流微网鲁棒非脆弱模糊控制 . 现代电力, 2021, 38(2): 156-163. doi: 10.19725/j.cnki.1007-2322.2020.0245
[6]	黄裕春, 贾巍, 雷才嘉, 方兵华, 刘涌, 李洋洋. 基于混沌多目标蚁狮优化算法和核极限学习机的冲击性负荷预测模型 . 现代电力, 2021, 38(): 1-9. doi: 10.19725/j.cnki.1007-2322.2022.0105
[7]	申萌均, 王玲玲. 计及风电相关性的主动配电网有功无功协调鲁棒优化调度策略 . 现代电力, 2021, 38(): 1-10. doi: 10.19725/j.cnki.1007-2322.2022.0136
[8]	刘雄, 夏向阳, 刘定国, 胡军华, 黄瑞, 李泽文, 史子轶. 基于二阶聚类和鲁棒性随机分割森林算法的低压台区线损异常辨识 . 现代电力, 2021, 40(): 1-7. doi: 10.19725/j.cnki.1007-2322.2022.0269
[9]	倪安安, 王育飞, 薛花. 基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测 . 现代电力, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
[10]	赵智强, 帕孜来·马合木提, 李高原. 逆变器的电容老化故障诊断方法研究 . 现代电力, 2021, 38(): 1-9. doi: 10.19725/j.cnki.1007-2322.2022.0182
[11]	陈宇航, 王渝红, 南璐, 何川, 王腾鑫, 张敏. 基于自组织映射−前馈神经网络和先知混合模型的短期负荷预测 . 现代电力, 2021, 38(): 1-9. doi: 10.19725/j.cnki.1007-2322.2023.0036
[12]	赵会茹, 张士营, 赵一航, 刘红雨, 邱宝红. 基于自适应噪声完备经验模态分解−样本熵−长短期记忆神经网络和核密度估计的短期电力负荷区间预测 . 现代电力, 2021, 38(2): 138-146. doi: 10.19725/j.cnki.1007-2322.2020.0329
[13]	段秦尉, 何祥针, 潮铸, 谢祥中, 兰萱丽. 基于集合经验模态分解和Q学习策略的短期负荷预测模型 . 现代电力, 2021, 38(): 1-9. doi: 10.19725/j.cnki.1007-2322.2023.0017
[14]	朱江行, 邹晓松, 熊炜, 袁旭峰, 艾小清, 彭月. 基于Prophet与XGBoost混合模型的短期负荷预测 . 现代电力, 2021, 38(3): 325-331. doi: 10.19725/j.cnki.1007-2322.2020.0321
[15]	魏明奎, 叶葳, 沈靖, 周泓, 蔡绍荣, 王渝红, 沈力. 基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法 . 现代电力, 2021, 38(1): 17-23. doi: 10.19725/j.cnki.1007-2322.2020.0201
[16]	卢伟, 林建泉, 刘柏林. 一种鲁棒预测辅助电力系统状态估计算法 . 现代电力, 2017, 34(4): 33-39.
[17]	张华彬, 杨明玉. 基于最小二乘支持向量机的光伏出力超短期预测 . 现代电力, 2015, 32(1): 70-75.
[18]	戴长春, 王正风, 张兆阳, 毕天姝, 薛安成. 基于IGG准则的抗差最小二乘输电线路参数辨识 . 现代电力, 2014, 31(2): 37-41.
[19]	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 . 现代电力, 2014, 31(3): 74-79.
[20]	冯乾, 马天琳, 齐程, 朱红路, 姚建曦, 亢楠, 施辉伟, 梁俊霞. 发展演化的复杂电力网络鲁棒性分析 . 现代电力, 2013, 30(6): 16-20.

WeChat

点击查看大图

计量

文章访问数: 1111
HTML全文浏览量: 11
PDF下载量: 345
被引次数: 0

基于QPSO参数优化的WLSSVM短期负荷预测

东北电力大学电气工程学院, 吉林吉林 132012

作者简介:
王林川(1955-), 男, 教授, 硕士生导师, 研究方向为电力系统稳定与控制、电力系统负荷预测与评价;白波(1986-), 男, 硕士研究生, 研究方向电力系统负荷预测。

收稿日期: 2010-05-12
修回日期: 2014-03-25
刊出日期: 2010-10-09

关键词:

量子粒子群优化 /

最小二乘支持向量机 /

短期负荷预测 /

摘要: 为了解决负荷非线性特性导致的预测模型难以准确建立的问题, 提出一种基于量子粒子群优化(QPSO)参数选择的加权最小二乘支持向量机(WLSSVM)的短期负荷预测模型和方法。首先, 利用量子粒子群优化方法来对模型进行训练, 从而选出最优超参数。其次, 采用具有良好泛化性能的WLSSVM回归模型弥补损失的鲁棒性。文中以黑龙江电网短期负荷预测为例, 将该方法与一般LSSVM模型的预测结果进行了对比分析, 结果表明此方法能明显提高预测精度。

English Abstract

王林川, 白波, 于奉振, 等. 基于QPSO参数优化的WLSSVM短期负荷预测[J]. 现代电力, 2010, 27(5): 49-52.

引用本文:

王林川, 白波, 于奉振, 等. 基于QPSO参数优化的WLSSVM短期负荷预测[J]. 现代电力, 2010, 27(5): 49-52.

Wang Linchuan, Bai bo, Yu Fengzhen, etc. Shortterm Load Forecasting Based on WLSSVM Method withParameter Optimization by QPSO[J]. Modern Electric Power, 2010, 27(5): 49-52.

Citation:

Wang Linchuan, Bai bo, Yu Fengzhen, etc. Shortterm Load Forecasting Based on WLSSVM Method withParameter Optimization by QPSO[J]. Modern Electric Power, 2010, 27(5): 49-52.

全文HTML

参考文献 (11)

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回