排序方式: 共有2条查询结果,搜索用时 7 毫秒
1
1.
为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解(variational mode decomposition, VMD)和粒子群算法优化支持向量回归(particle swarm optimization support vector regression, PSO-SVR)的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归(support vector regression,SVR)预测模型。第3阶段将粒子群算法(particle swarm optimization,PSO)用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明:所提方法可以取得更高的预测精度。 相似文献
2.
为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解(variational mode decomposition, VMD)和粒子群算法优化支持向量回归(particle swarm optimization support vector regression, PSO-SVR)的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归(support vector regression,SVR)预测模型。第3阶段将粒子群算法(particle swarm optimization,PSO)用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明:所提方法可以取得更高的预测精度。 相似文献
1