《表A2电力需求模型预测值与实际值的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于鸽群优化算法的支持向量机在电力需求总量预测中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于表2，选用GDP、二产用电量和居民生活用电量作为SVM预测模型的输入变量训练样本集，对训练样本进行归一化，然后利用改进的PIO算法对SVM模型中的参数进行优化。其中，训练样本为1990至2013年电力需求数据，而将2014至2018年电力需求数据作为测试样本。为了验证融合PIO算法的SVM的预测效果，本文分别采用多元线性回归MLR（Multiple Linear Regression）、多项式核函数下基于粒子群优化算法的支持向量机（PKF-PSO-SVM）、径向基核函数下基于粒子群优化算法的支持向量机（RBF-PSO-SVM）[17]、多项式核函数下基于PIO算法的支持向量机（PKF-PIO-SVM）、径向基核函数下基于PIO算法的支持向量机（RBF-PIO-SVM）对电力需求总量进行预测。设置种群数为60，迭代次数为100。表3给出了径向基核函数下粒子群优化算法和改进PIO算法寻优后的SVM正则化参数C和核函数宽度参数σ以及多项式核函数下粒子群优化算法和改进PIO算法寻优后的SVM正则化参数C和维数参数d。