基于支持向量回归、特征选择与共生生物搜索优化的中期负荷预测
机器学习
2019-06-13 v1 机器学习
神经与进化计算
摘要
准确的负荷预测一直是电力系统运行与规划中不可或缺的主要环节之一。在不同预测时间尺度中，短期负荷预测（STLF）与长期负荷预测（LTLF）分别受益于精确预测器与概率预测，而中期负荷预测（MTLF）因其在发电机组最优调度、稳健客户服务规划程序及经济供应等电力系统运行与规划中的关键作用而亟需更多关注。本研究提出一种由支持向量回归（SVR）与共生生物搜索优化（SOSO）方法构成的混合方法用于 MTLF。在所提预测模型中，SVR 为预测算法主体，SOSO 嵌入其中以优化 SVR 参数。此外，采用最小冗余—最大相关特征选择算法对输入数据进行预处理。所提方法在 EUNITE 竞赛数据集上测试以证明其良好性能，并与若干已有工作比较以显示本方法的适用性。
引用
@article{arxiv.1906.04818,
title = {Medium-Term Load Forecasting Using Support Vector Regression, Feature Selection, and Symbiotic Organism Search Optimization},
author = {Arghavan Zare-Noghabi and Morteza Shabanzadeh and Hossein Sangrody},
journal= {arXiv preprint arXiv:1906.04818},
year = {2019}
}
备注
2019 IEEE PES General Meeting