基于改進(jìn)的混合蛙跳算法的短期燃?xì)庳?fù)荷預(yù)測(cè)模型研究.pdf

1、短期負(fù)荷預(yù)測(cè)方法主要是依賴歷史負(fù)荷數(shù)據(jù)，其本質(zhì)是基于負(fù)荷預(yù)測(cè)的相似性原理。傳統(tǒng)的燃?xì)庳?fù)荷預(yù)測(cè)都是通過(guò)優(yōu)化預(yù)測(cè)算法來(lái)提高預(yù)測(cè)精度，本文在此基礎(chǔ)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(jī)(LS-SVM)預(yù)測(cè)模型訓(xùn)練集的新方法。最小二乘支撐向量機(jī)(LS-SVM)是一種新穎的機(jī)器學(xué)習(xí)方法，通過(guò)利用高維映射能把非線性問(wèn)題轉(zhuǎn)換為線性問(wèn)題，在模式識(shí)別和函數(shù)回歸估計(jì)具有較好的工作性能，然而，當(dāng)有海量輸入數(shù)據(jù)參與到訓(xùn)練模型時(shí)，收斂時(shí)

2、間較長(zhǎng)。因此，我們可以在分析影響燃?xì)庳?fù)荷的特征因素的基礎(chǔ)上，利用模糊C均值聚類對(duì)歷史燃?xì)庳?fù)荷進(jìn)行分類，通過(guò)計(jì)算待預(yù)測(cè)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(shù)據(jù)作為待預(yù)測(cè)日的相似日，并作為L(zhǎng)S-SVM的訓(xùn)練樣本。傳統(tǒng)的FCM聚類容易陷入局部最優(yōu)缺點(diǎn)，本文提出利用改進(jìn)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(diǎn)，得到最優(yōu)分類結(jié)果，這樣使得分類結(jié)果更符合燃?xì)庳?fù)荷數(shù)據(jù)內(nèi)部真正的結(jié)構(gòu)。同時(shí)，這樣既強(qiáng)化了參與

3、LS-SVM訓(xùn)練建模的負(fù)荷樣本的輸入輸出數(shù)據(jù)規(guī)律性，又保障了訓(xùn)練樣本在更高程度上近似滿足相同的輸入輸出函數(shù)關(guān)系，實(shí)現(xiàn)了優(yōu)化的FCM聚類分析和LS-SVM算法的有效結(jié)合。在減少和優(yōu)化訓(xùn)練樣本的同時(shí)，提高了LS-SVM模型的預(yù)測(cè)精度，并以仿真實(shí)驗(yàn)證明了所提混合模型的有效性。
　　最后，本文針對(duì)上海地區(qū)某年的燃?xì)庳?fù)荷數(shù)據(jù)在Rstudio平臺(tái)上，利用基于優(yōu)化的FCM聚類挑選預(yù)測(cè)日的訓(xùn)練樣本來(lái)訓(xùn)練LS-SVM預(yù)測(cè)模型，并且將預(yù)測(cè)結(jié)果與用BP