Suzhou Electric Appliance Research Institute
期刊號(hào)： CN32-1800/TM| ISSN1007-3175

Article retrieval

文章檢索

首頁(yè) >> 文章檢索 >> 往年索引

基于NBA-SVR的日最大負(fù)荷預(yù)測(cè)

來(lái)源：電工電氣發(fā)布時(shí)間：2021-01-25 08:25 瀏覽次數(shù)：760

基于NBA-SVR的日最大負(fù)荷預(yù)測(cè)

成貴學(xué)1，陳昱吉1，趙晉斌2，費(fèi)敏銳3
（1 上海電力大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 200090；2 上海電力大學(xué) 電氣工程學(xué)院，上海 200090；
3 上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，上海 200072）
 
摘 要：為進(jìn)一步提高日最大負(fù)荷預(yù)測(cè)精度，提出一種基于新型蝙蝠算法和支持向量回歸的日最大負(fù)荷預(yù)測(cè)方法，引入對(duì)回波中多普勒效應(yīng)進(jìn)行自適應(yīng)補(bǔ)償和棲息地選擇的新型蝙蝠算法優(yōu)化選取支持向量回歸參數(shù)，采用電工杯數(shù)學(xué)建模競(jìng)賽提供的數(shù)據(jù)訓(xùn)練并建立NBA-SVR模型進(jìn)行日最大負(fù)荷預(yù)測(cè)，結(jié)果表明NBA-SVR 模型在預(yù)測(cè)精度上比BPNN、PSO-SVR、WOA-SVR模型有顯著的提升。
    關(guān)鍵詞：日最大負(fù)荷預(yù)測(cè)；新型蝙蝠算法；支持向量回歸；參數(shù)優(yōu)化
    中圖分類(lèi)號(hào)：TM715；TP181     文獻(xiàn)標(biāo)識(shí)碼：A     文章編號(hào)：1007-3175(2021)01-0011-06
 
Daily Maximum Load Forecasting Based on NBA-SVR
 
CHENG Gui-xue1, CHEN Yu-ji1, ZHAO Jin-bin2, FEI Min-rui3
（1 School of Computer Science and Technology, Shanghai University of Electric Power,Shanghai 200090, China;
2 School of Electrical Engineering, Shanghai University of Electric Power, Shanghai 200090, China;
3 School of Mechanical Engineering and Automation, Shanghai University, Shanghai 200072, China）
 
   Abstract: In order to further improve the accuracy of daily maximum load forecasting, this paper proposed a new daily maximum load forecasting method based on novel bat algorithm optimization and support vector regression. It introduced the adaptive compensation of Doppler effect in the echo and new bat algorithm for habitat selection to optimize the selection of support vector regression parameters. The data provided by the Electrician Mathematical Contest in Modeling are used to train and establish the NBA-SVR model to perform daily maximum load forecasting. The results showed that the NBA-SVR model has better prediction accuracy than the back propagation neural network, PSO-SVR, and WOA-SVR.
    Key words: daily maximum load forecasting; novel bat algorithm; support vector regression; parameters optimization
 
參考文獻(xiàn)
[1] 康重慶，夏清，劉梅，等. 電力系統(tǒng)負(fù)荷預(yù)測(cè)[M].2版. 北京：中國(guó)電力出版社，2017.
[2] 馬立新，李淵. 日最大負(fù)荷特性分析及預(yù)測(cè)方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2014，26(10)：31-34.
[3] 劉曉娟，方建安. 基于雙修正因子的模糊時(shí)間序列日最大負(fù)荷預(yù)測(cè)[J] . 中國(guó)電力，2013，46(10)：115-118.
[4] 崔和瑞，彭旭. 基于A(yíng)RIMA 模型的夏季短期電力負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制，2015，43(4)：108-114.
[5] 任海軍，張曉星，肖波，等. 基于概念格的神經(jīng)網(wǎng)絡(luò)日最大負(fù)荷預(yù)測(cè)輸入?yún)?shù)選擇[J] . 吉林大學(xué)學(xué)報(bào)( 理學(xué)版），2011，49(1)：87-92.
[6] 嵇靈，牛東曉，吳煥苗. 基于貝葉斯框架和回聲狀態(tài)網(wǎng)絡(luò)的日最大負(fù)荷預(yù)測(cè)研究[J] . 電網(wǎng)技術(shù)，2012，36(11)：82-86.
[7] 李筍，王超，張桂林，等. 基于支持向量回歸的短期負(fù)荷預(yù)測(cè)[J] . 山東大學(xué)學(xué)報(bào)( 工學(xué)版)，2017，47(6)：52-56.
[8] 李素，袁志高，王聰，等. 群智能算法優(yōu)化支持向量機(jī)參數(shù)綜述[J]. 智能系統(tǒng)學(xué)報(bào)，2018，13(1)：70-84.
[9] JIE Z, SIYUAN W.Thermal load forecasting basedon PSO - SVR [C] / /2018 IEEE 4th International Conference on Computer and Communications(ICCC)，2018：2676-2680.
[10] TAO Y, YAN H, GAO H, et al. Application of SVR optimized by modified simulated annealing(MSA-SVR) air conditioning load prediction model[J]. Journal of Industrial Information Integration，2019，15：247-251.
[11] 宮毓斌，滕歡. 基于GOA-SVM 的短期負(fù)荷預(yù)測(cè)[J].電測(cè)與儀表，2019，56(14)：12-16.
[12] 王建國(guó)，張文興. 支持向量機(jī)建模及其智能優(yōu)化[M]. 北京：清華大學(xué)出版社，2015.
[13] MENG X B, GAO X Z, LIU Yu, et al. A novel bat algorithm with habitat selection and Doppler effect in echoes for optimization[J].Expert Systems with Applications，2015，42(17/18)：6350-6364.
[14] 王文錦，戚佳金，王文婷，等. 基于人工蜂群優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)[J] . 電測(cè)與儀表，2017，54(11)：32-35.
[15] SAKURAI D, FUKUYAMA Y, IIZAKA T, et al. Daily peak load forecasting by artificial neural network using differential evolutionary particle swarm optimization considering outliers[J]. IFAC PapersOnLine，2019，52(4)：389-394.
[16] 王亞琴，王耀力，王力波，等. 一種改進(jìn)果蠅算法優(yōu)化神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型[J] . 電測(cè)與儀表，2018，55(22)：13-18.