100 积分
50
评分
4.3 积分- 详情
- 2020-12-27
- 简介
pdf
- 1.8MB
- 页数 6P
- 阅读 64
- 下载 20
支持向量机(support vector machine,SVM)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现SVM算法性能参数的设置将直接影响负荷预测的精度.为此在对SVM参数性能分析的基础上,提出了SCE-UA(shuffled complex evolution-University of Arizona)支持向量机短期电力负荷预测模型建模的思路及关键参数的选取,在建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识SVM的参数.贵州电网日96点负荷曲线预测的实际算例表明,所提SCE-UA支持向量机模型不仅克服了SVM参数选择的盲目性,而且能提高预测准确率,是一种行之有效的短期电力负荷预测模型.
对不起，您暂无在线预览权限，如需浏览请
立即登录热门商品
相关推荐
基于SCE-UA支持向量机的短期电力负荷预测模型研究 1.8MB
基于SVM短期电力负荷预测模型研究 157KB
综合最优灰色支持向量机模型在季节型电力负荷预测中的应用 136KB
基于PSO-SVM模型的短期电力负荷预测研究 309KB
基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测 276KB
基于HMM模型的电力负荷预测模型研究 1.6MB
基于云模型的电力负荷预测 1.3MB
基于灰理论的电力负荷预测模型 414KB
基于云模型的电力负荷预测 557KB
改进粒子群算法和最小二乘支持向量机的电力负荷预测 1.7MB