- 1、本文档共4页,可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、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。
- 7、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。
- 8、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
查看更多
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
您可能关注的文档
- 改造产业必须创新科技政策工具——重庆市改造提升乡镇五金产业的启示.pdf
- 钙酸体的结构特征和功能.pdf
- 盖-吕萨克^G7——从天堂里扔出1把破椅.pdf
- 甘薯收获与安全贮藏.pdf
- 甘肃酒泉市单产2250kg皮棉栽培技术.pdf
- 肝复康滴丸中黄芩苷体内药物动力学的研究.pdf
- 改性固体碱负载KF合成反式肉桂醛的研究.pdf
- 肝肾器官移植供体切取及修整实践.pdf
- 肝细胞生长因子对大鼠心脏移植细胞凋亡的影响.pdf
- 肝细胞生长因子对心肌梗死后左心室收缩同步性的影响.pdf
- 四川省德阳市罗江中学2025届高三考前热身化学试卷含解析.doc
- 山东省枣庄现代实验学校2025届高三下学期第五次调研考试化学试题含解析.doc
- 吉林省长春市十一高中等九校教育联盟2025届高三一诊考试生物试卷含解析.doc
- 2025届江苏省盐城市伍佑中学高考仿真模拟化学试卷含解析.doc
- 2025届广西贺州中学高考冲刺押题(最后一卷)生物试卷含解析.doc
- 安徽省池州市贵池区2025届高三第一次模拟考试生物试卷含解析.doc
- 宁夏银川一中2025届高三(最后冲刺)化学试卷含解析.doc
- 广东省广州市增城区四校联考2025届高考压轴卷化学试卷含解析.doc
- 2025届邯郸市第一中学高考生物必刷试卷含解析.doc
- 2025届安徽省安庆市石化第一中学高考仿真卷化学试卷含解析.doc
文档评论(0)