基于粒子群优化和支持向量机的电力负荷预测

曾勍炜; 徐知海; 吴键

Chinese

您当前的位置：

首页 >

文章列表页 >

基于粒子群优化和支持向量机的电力负荷预测

更新时间：2026-09-04

- 基于粒子群优化和支持向量机的电力负荷预测
- Forecasting of Electricity Load Based on Particle Swarm Optimization and Support Vector Machine
- 微电子学与计算机 2011年28卷第1期页码：147-149
- 作者机构：
  
  1. 1 南昌大学网络中心,江西,南昌,330031
  2. 2 江西省电力公司,江西,南昌,330077
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2011
- 稿件说明：
移动端阅览
曾勍炜, 徐知海, 吴键. 基于粒子群优化和支持向量机的电力负荷预测[J]. 微电子学与计算机, 2011, 28(1): 147-149,153.

CENG Qing-wei, XU Zhi-hai, WU Jian. Forecasting of Electricity Load Based on Particle Swarm Optimization and Support Vector Machine[J]. 2011, 28(1): 147-149.
曾勍炜, 徐知海, 吴键. 基于粒子群优化和支持向量机的电力负荷预测[J]. 微电子学与计算机, 2011, 28(1): 147-149,153. DOI：

CENG Qing-wei, XU Zhi-hai, WU Jian. Forecasting of Electricity Load Based on Particle Swarm Optimization and Support Vector Machine[J]. 2011, 28(1): 147-149. DOI：

摘要

提出支持向量机的粒子群优化算法的用电量预测方法.其中

采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月~10月的用电量数据以及相关特征数据作为实验数据

实验结果表明该算法电量负荷预测精度高于BP神经网络.

Abstract

The values of training parameters of support vector machine have close contact with its forecasting accuracy.Therefore

particle swarm optimization algorithm and support vector machine (PSVM) is proposed to predict electricity consumption in the study.In the model

particle swarm optimization algorithm is used to select the optimal training parameters of support vector machine.The electricity consumption data and relevant features data of JiangXi province from July to October in 2008 are used as the experimental data.The experimental results indicate that the PSVM model has higher prediction accuracy than BP neural network in the forecasting of electricity load.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

超低功耗实时时钟电路的设计

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

低功耗设计的双链电源关断策略的实现与验证

基于改进RT-DETR的航拍小目标检测算法

大模型发展综述：从BERT到Deepseek的技术演进