《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》
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。
图表编号 | XD00150050300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.10 |
作者 | 田书欣、周全、程浩忠、柳璐、路亮、江栗 |
绘制单位 | 上海电力大学电气工程学院、国家电网公司西南分部、上海交通大学电气工程系电力传输与功率变换控制教育部重点实验室、上海交通大学电气工程系电力传输与功率变换控制教育部重点实验室、国家电网公司西南分部、国家电网公司西南分部 |
更多格式 | 高清、无水印(增值服务) |