基于遗传算法优化参数支持向量机短期负荷预测方法.PDF

第 40 卷第 1 期 中南大学学报( 自然科学版) Vol.40 No.1 2009 年 2 月 Journal of Central South University (Science and Technology) Feb. 2009 基于遗传算法优化参数的支持向量机短期负荷预测方法 1, 2 1 3 吴景龙 ，杨淑霞 ，刘承水 (1. 华北电力大学 工商管理学院，北京，102206； 2. 北方联合电力有限责任公司，内蒙古 呼和浩特，010020； 3. 北京城市学院 城市信息应用研究所，北京，100083) 摘 要：通过研究参数选择和支持向量机预测能力的影响，建立利用遗传算法优化参数的支持向量机负荷预测系 统。通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理，找到最优的参数取值，然后，代入 支持向量机 SVM 预测模型中，得基于遗传算法的支持向量机(GA-SVM)模型，利用此模型对短期电力负荷进行预 测研究。通过实例验证，选择河北某地区 2005−03−02 至 2007−05−22 每天各个时点的数据进行分析，并且选择 SVM 模型与 BP(Back propagation)神经网络进行对比。研究结果表明：用 GA-SVM 算法得到的均方根相对误差仅 为 2.25% ，比用 SVM 模型和 BP 神经网络所得的均方根相对误差比分别低 0.58%和 1.93%。所提出的测试方法克 服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数，而不讨论参数制定的合理 性) ，提高了支持向量机的预测精度。 关键词：遗传算法；支持向量机；参数优化；负荷预测 中图分类号：TP18 文献标识码：A 文章编号：1672−7207(2009)01−0180−05 Parameter selection for support vectormachines based on genetic algorithms to short-term power load forecasting 1, 2 1 3 WU Jing-long , YANG Shu-xia , LIU Cheng-shui (1. School of Business Administration, North China Electric Power University, Beijing 102206, China; 2. North United Power Corporation, Hohhot 010020, China; 3. City Information-tech Application Graduate School, Beijing City University, Beijing 100083, China) Abstract: The impact of different parameters of support vector machine (SVM) model on the power load forecasting was studied, and a short-term power load forecasting system was