针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能...针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。展开更多
最小二乘支持向量机(least squares support vector machine,LS-SVM)具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS-SVM的逆模型辨识方法。仿真结果表明基于LS-SVM的逆模型辨识方法在处理非线性对象时,辨...最小二乘支持向量机(least squares support vector machine,LS-SVM)具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS-SVM的逆模型辨识方法。仿真结果表明基于LS-SVM的逆模型辨识方法在处理非线性对象时,辨识精度、辨识速度、泛化能力都要强于BP算法。展开更多
文摘针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。
文摘最小二乘支持向量机(least squares support vector machine,LS-SVM)具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS-SVM的逆模型辨识方法。仿真结果表明基于LS-SVM的逆模型辨识方法在处理非线性对象时,辨识精度、辨识速度、泛化能力都要强于BP算法。