由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间...由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM组合的月度负荷预测方法。该方法通过计算灰色关联度来选择训练样本,选取LSSVM进行样本训练;将与待预测月高度相似的历史月负荷作为LSSVM的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度。通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度。展开更多
文摘由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM组合的月度负荷预测方法。该方法通过计算灰色关联度来选择训练样本,选取LSSVM进行样本训练;将与待预测月高度相似的历史月负荷作为LSSVM的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度。通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度。
