基于改進的混合蛙跳算法的短期燃氣負荷預測模型研究.pdf

1、短期負荷預測方法主要是依賴歷史負荷數據，其本質是基于負荷預測的相似性原理。傳統(tǒng)的燃氣負荷預測都是通過優(yōu)化預測算法來提高預測精度，本文在此基礎上，提出了基于模糊C均值(FCM)聚類分析挑選最小二乘支持向量機(LS-SVM)預測模型訓練集的新方法。最小二乘支撐向量機(LS-SVM)是一種新穎的機器學習方法，通過利用高維映射能把非線性問題轉換為線性問題，在模式識別和函數回歸估計具有較好的工作性能，然而，當有海量輸入數據參與到訓練模型時，收斂時

2、間較長。因此，我們可以在分析影響燃氣負荷的特征因素的基礎上，利用模糊C均值聚類對歷史燃氣負荷進行分類，通過計算待預測樣本與各聚類中心的距離，然后挑選最近距離的類中包含的數據作為待預測日的相似日，并作為LS-SVM的訓練樣本。傳統(tǒng)的FCM聚類容易陷入局部最優(yōu)缺點，本文提出利用改進混合蛙跳算法的全局優(yōu)化特性和深度局部搜索特性，優(yōu)化傳統(tǒng)FCM聚類的缺點，得到最優(yōu)分類結果，這樣使得分類結果更符合燃氣負荷數據內部真正的結構。同時，這樣既強化了參與

3、LS-SVM訓練建模的負荷樣本的輸入輸出數據規(guī)律性，又保障了訓練樣本在更高程度上近似滿足相同的輸入輸出函數關系，實現了優(yōu)化的FCM聚類分析和LS-SVM算法的有效結合。在減少和優(yōu)化訓練樣本的同時，提高了LS-SVM模型的預測精度，并以仿真實驗證明了所提混合模型的有效性。
　　最后，本文針對上海地區(qū)某年的燃氣負荷數據在Rstudio平臺上，利用基于優(yōu)化的FCM聚類挑選預測日的訓練樣本來訓練LS-SVM預測模型，并且將預測結果與用BP