基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法.pdfVIP

第 31卷 第 34期 中 国 电 机 工 程 学 报 Vo1．31No．34 Dec．5，2011 2011年 12月 5曰 ProceedingsoftheCSEE ~20l1Chin．Soc．forElec．Eng 文章编号：0258—8013(2011)34．0093—07 中图分类号：TM73 文献标志码：A 学科分类号：4704·0 基于细菌群落趋药性优化的 最lJx--．乘支持向量机短期负荷预测方法 曾鸣 ，吕春泉 1，田廓2，薛松 (1．华北电力大学能源与电力经济研究咨询中心，北京市 昌平区 102206； 2．陕西省 电力公司，陕西省 西安市 710048) LeastSquares-supportVectorMachineLoadFOrecastingApprOachOptimizedby BacterialColonyChemotaxisMethod ZENGMing，LOChunquan，TIANKuo，XUESong (1．ResearchCenterofEnergyandElectricityEconomics，NorthChinaElectricPowerUniversity,ChangpingDistrict， Beijing102206，China；2．ShaanxiElectricPowerCorporation，Xi’an710004，ShaanxiProvince，China) ABSTRACT：Thedevelopmentofsmartgridandelectricity machinebasedonbacterialcolonychemotaxisoptimization， marketrequiresmore accurate and faster short—term load BCC—LS．SVM)模型，通过细菌群体趋药性优化算法快速、 forecasting．Aleastsquares—supportvectormachine(LS—SVM) 合理地确定最小二乘支持向量机(1eastsquares．supportvector basedonbacterialcolony chemotaxisoptimization (BCC) machine，LS．SVM)的超参数。研究表 明，与前馈 (back． algorithm was proposed that improving the computing propagation，BP)神经网络算法和单纯的LS．SVM算法相比， accuracy and speed through a novelcategory ofbionic BCC．LS—SVM 算法具有较强的全局搜索能力，易于操作， algorithm，anddetemr iningthehyper-praametersofLS-SVM 能够实现更高的预测精度及更好的运算速度，更适用于当前 through BCC optionalalgorithm fleetly andreasonably．It 中国短期负荷预测的需要。 showsthattheBCC-·LS--SVM algorithm notonlyhasstrong 关键词：短期负荷预测；超参数选择；细菌群落趋药性；最 globalsearchcapability，butalsoiseasytoimplement．A load 小二乘支持向量机 forecastempiricalexamplehas shown thatcompared with back—propagation artificial neural networks and single 0 引言 LS—SVM algorithm，BCC-LS—SVM algorithm can achieve