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_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論