检索结果

Select

1. 基于粒子群最小二乘支持向量机的水文预测

李文莉李郁侠

计算机应用 2012, 32 (04): 1188-1190. DOI: 10.3724/SP.J.1087.2012.01188

摘要（529）

PDF （482KB）（449）

支持向量机理论为研究中长期水文预测提供了新的方法。针对最小二乘支持向量机模型参数选择费时且效果差这一问题，给出基于粒子群算法的最小二乘支持向量机水文预测模型(PSO-LSSVM)。该模型运用最小二乘支持向量机回归原理建立，参数选取采用具有全局搜索能力的粒子群算法进行寻优。用此模型对南桠河冶勒水电站月径流进行预测，仿真计算结果表明，该算法可提高预测效率与预测精度。

参考文献 | 相关文章 | 多维度评价

Select

2. 改进粒子群—BP神经网络模型的短期电力负荷预测

师彪李郁侠于新花闫旺

计算机应用

摘要（2070）

PDF （840KB）（1089）

为了准确、快速、高效地预测电网短期负荷，提出了改进的粒子群算法(MPSO)，并与BP算法相结合，形成改进的粒子群—BP(MPSO-BP)神经网络算法，用此算法训练神经网络，实现了神经网络参数优化，得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素，进行电网短期负荷预测。算例分析表明，与传统BP神经网络法和PSO-BP神经网络方法相比，该方法改善了BP神经网络的泛化能力，预测精度高，收敛速度快，对电力系统短期负荷具有良好的预测能力。

相关文章 | 多维度评价

Select

3. 自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

师彪李郁侠于新花李娜闫旺孟欣

计算机应用 2009, 29 (09): 2454-5458.

摘要（1493）

PDF （818KB）（1270）

为了提高短期电力负荷预测精度，提出了一种自适应变系数粒子群—径向基函数神经网络混合优化算法(AVCPSO-RBF)。实现了径向基神经网络参数优化。建立了基于该优化算法的短期负荷预测模型，利用贵州电网历史数据进行短期负荷预测。仿真表明，该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群—RBF神经网络方法及基于混沌理论的神经网络模型，该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点，改善了径向基神经网络的泛化能力，提高了贵州电网短期负荷预测的精度，各日预测负荷的平均百分比误差可控制在1.7%以内。该算法可有效用于电力系统的短期负荷预测。