基于LSSVM与SMO稀疏化算法的短期负荷预测.pdfVIP

第36卷 第4期 继 电器 V_01．36 NO．4 2008年2月l6日 RELAY Feb．16．2008 基于LSSVM与SMO稀疏化算法的短期负荷预测 刘耀年，沈轶群，姜成元，陈灵根 (东北电力大学电气工程学院，吉林 吉林 132012) 摘要：针对最小二乘支持向量机(LSSVM)仅考虑等式约束，失去了支持向量机(SVM)解的稀疏性，影响了二次学习效率的问 题，把最小二乘支持向量机与序列最小优化算法(sMO)相结合，后者应用改进的剪枝算法对解进行稀疏化处理，解决了上述 问题；算法与最小二乘支持向量机相比降低了计算的复杂度，提高了计算精度。将此方法应用到电力系统短期负荷预测，与 SVM和LSSVM算法比较表明该方法运行速度快，精度高，取得了较好的预测结果。 关键词：最小二乘支持向量机；序列最小4L4~；短期负荷预测；剪枝算法；稀疏化 A short-term load forecasting approach based on imposing sparseness upon LSSVM integrated SMO algorithms LIU Yao—nian，SHEN Yi—qun，JIANG Cheng—yuan，CHEN Ling—gen (Northeast Dianli University，Jilin 1 32012，China) Abstract： Least squares support vector machines(LSSVM)losses the sparseness of solution，because LSSVM only considers equation constraint．It influences second learning efficiency．In order to solve the problem，LSSVM integrates with sequential minimal optimization(SMO)algorithm and a modified pruning algorithm imposes sparseness upon the solution of LSSVM integrated SMO algorithms．Compared with LSSVM，the integrative aigorithms reduce calculation complexity and improve computing accuracy The integrative aigorithms are applied in power systerm short—term load forecasting．Through comparison and analysis of load forecasting results between the integrative~gofithms，SVM and LSSVM， the results show the integrative algorithms have high accuracy and high efficiency,SO the accuracy of load prediction is furtherly improved． Key words： LSSVM； SMO； short·term load forecasting； pruning algorithm； sparseness 中图分类号：TM715 文献标识码： A 文章编号： 1003-4897(2008)04—0063—04 用改进的剪枝算法对解进行稀疏化处理【 ，与最小 0 引言 二乘支持向量机相比降低了计算的复杂度