改进蚁群化学聚类算法在短期负荷预测中的应用 application of improved antclust algorithm in short-term load forecasting.pdfVIP

下载本文档

0
0
约1.57万字
约 5页
2017-08-13 发布于上海
举报
版权申诉

改进蚁群化学聚类算法在短期负荷预测中的应用 application of improved antclust algorithm in short-term load forecasting.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

改进蚁群化学聚类算法在短期负荷预测中的应用 application of improved antclust algorithm in short-term load forecasting

V01．40 第40卷第4期电力系统保护与控镧 No．4 2012年2月16同PowerProtectionandControl Feb．16，2012 System 改进蚁群化学聚类算法在短期负荷预测中的应用曾利军1，陈敏1，罗细飞2 (1．湖南工学院计算机科学系，湖南衡阳421002；2．湖南工学院电气与信息工程系，湖南衡阳421002) 摘要：针对现有电力系统短期负荷预测精度低、数据处理量大、易陷入局部寻优等缺点，提出了一种改进蚁群化学聚类方法。该方法通过在蚁群化学聚类算法的基础上引入核函数来优化负荷预测因素，减少在训练过程中的数据量，提高了预测速度和精度。经过对湖南某市的短期负荷预测，并与SVM及神经网络对比，其结果表明该预测模型精度高于SVM与神经网络模型精度。理论分析和实验数据验证了该算法具有一定的实用性和可行性。关键词：核函数；短期负荷预测；蚁群化学聚类；局部寻优 of AntClust inshort-termload Applicationimprovedalgorithm forecasting ZENG Xi．fei2 Li-j啪1，CHENMinl，LUO Science Instituteof 421 002，China； (1．ComputerDepartment，HunanTechnology，Hengyang of 421 ofElectricalInformationInstitute 2．Department Engineering，HunanTechnology，Hengyang002，China) Abstract：Inorderto the ofshort-termload andovercomethe of amountofdata disadvantages improveprecision forecasting large and tObe AntClust is usesthekernelfunctionto factorsof easy locallyoptimized，animproved algodthmpresented,which optimize dataamountinthe basedonPmtClust methodCOalincreasethe load andtodecreasethe trainingprocess algorithm．The forecasting and the theshort-termload ina of resultshowsthatthe speed cityHunan,the forecasting improveprecision．Through forecasting hasabetter wimthemethodsofSVMandneuralnetwork．Theoreticaland algo