1 自适应加权最小二乘支持向量机的空调负荷预测_赵超
基于最小二乘支持向量机的短期电力负荷预测
摘
要： 提 出了结合遗传算法 （ Ｇ ｅ ｎ ｅ ｔ ｉ ｃ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， Ｇ Ａ） 和最小二乘支持 向量机（ Ｌ ｅ ａ ｓ ｔ Ｓ ｑ ｌ ｌ ａ ｒ ｅ ｓ Ｓ ｕ ｐ ｐ ｏ ￣Ｖ ㈤ｔ ｎ ｒ Ｍａ ｃ ｈ ｉ ｎ ｅ ｓ ．
ｓ ｈ ｏ ｒ ｔ — ｔ ｅ ｒ ｍ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ
引 言
电力系 统负荷 预测 是 电力 系统调 度 、 用电 、 计划 、
目前 ， 神经 网络 在短 期 电力 负荷 中已经得 到 了广 泛 的应用 ， 但 由于神 经 网络本 身还 具有一 些难 以克 服 的缺 陷 。 如过拟合 、 收敛 速度慢 、 容易 陷入局 部极值 等 缺 点… 。 从 而使支 持 向量机 模 型得到 了广泛 的关注 。 文 献［ ２ 】 相继 将 回归 支 持 向量 机方 法 用 于 电力 系 统短 期
・
３ ８ ‘ （ 总０ ２ ｏ ｏ ）
基于最／ ＿ ＼ － 乘支持向量机的短期电力负荷预测
２ ０ １ ３ 年第 ３期
文章编号 ： １ ０ ０ ３ — ５ ８ ５ ０ （ ２ ０ １ ３ ） ０ ３ — ０ ０ ３ ８ — ０ ４
基于最小二乘支持向量机的短期电力负荷预测
曹 彦 ， 王 倩 ， 周 驰
Ｌ ｓ — Ｓ Ｖ Ｍ） 的短期 电力负荷预测。由于影响负荷预测因素的复杂性和最／ ｂ － － ． 乘支持 向量机参数选 择的不确定性 ， 提 了 采用遗传算法同时对 电力负荷训练样本进行特征提取和最小二乘支持 向量机的参数选择 ， 然后利用提取 出的数据序列
基于加权最小二乘支持向量机的月度负荷预测
基于加权最小二乘支持向量机的月度负荷预测
吴 钰， 王 杰
（ ） 上海交通大学 电气工程系 ，上海 ２ ０ ０ ２ ４ ０ 摘要 ：考虑到实际电力负荷预测中各数据的重要程度并不相同 ， 在标准最小二乘支持向量机回 归 算 法 的 训 练 样本中设置 权 值 系 数 ， 建立了加权最小二乘支持向量机模型， 以实现样本的优化选择， 达到历史数据“ 重近轻 远” 的学 习 效 果 ； 同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、 随机性等特点， 提出了一种基于 混沌思想的粒子群优化算法对模型参数进行优化 ， 引入优 势 粒 子 和 劣 势 粒 子 的 权 重 自 适 应 调 节 机 制 ， 使算法 结果表明本文方法与常规方法相比降低了 具有动态适应性 。 将改进的模型应用于江西省萍乡市月度负荷预测中 ， 预测误差 ， 且速度较快 。 关键词 ：月度负荷 ；预测 ；最小二乘支持向量机 ；加权 ；混沌粒子群 中图分类号 ： ＴＭ ７ １ ５ 文献标志码 ：Ａ
第３ ０ 卷第 ５ 期
吴 钰等 ： 基于加权最小二乘支持向量机的月度负荷预测
Ｎ
·１ ７ ５·
１ Ｔ １ ２ 烄 ｍ ｉ ｎ Ｊ＊ （ ω， ＝ ω ω ＋ γ∑ ｉ） ｉ ｉ ξ ξ ２ ２ ｉ＝１μ 烅 （ ） ４ Ｔ （ …， ｓ ． ｔ ． ｘ ｉ ＝ １， ２， Ｎ ＋ｂ＋ξ ｙ ｉ ＝ω φ ｉ） ｉ 烆 ） ， 通过建立 Ｌ 即： ａ ｒ ａ ｎ ｅ方程求解式 （ ４ ｇ ｇ
随着 国 民 经 济 的 发 展 和 人 民 生 活 水 平 的 提 高， 电力系统月度负荷呈现出逐年增长的趋势 ； 同 时， 受 气 温 升 降、 春 耕 秋 收、 产业政策等因素的影 响， 月度负荷 随 季 节 变 化 呈 现 出 波 动 的 趋 势 。 因 此对月度负荷进 行 预 测 时 ， 要考虑到其具有增长 性和季节性波动的二重趋势 。 月度负荷预测是以 月为预测时段 、 以月度指标（ 如 月 度 电 量、 月度电 为预测内容 对 电 力 系 统 中 期 运 行 计 划 进 行 力等 ） 安排 ， 以降低运行成本 ， 达到提高供电可靠性的目
基于最小二乘支持向量机的短期负荷预测模型
基于最小二乘支持向量机的短期负荷预测模型作者：张宁,许承权,薛小铃,郑宗华来源：《现代电子技术》2010年第18期摘要:支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。
研究了支持向量机的拓展算法——最小二乘支持向量机(LSSVM),并将其应用于电力系统短期负荷时间序列预测。
通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSSVM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。
关键词:最小二乘支持向量机; 神经网络; 短期负荷预测;时间序列预测中图分类号:TN715-34文献标识码:A文章编号:1004-373X(2010)18-0131-03Short-term Load Forecasting Model Based on Least Square Support Vector MachineZHANG Ning1, XU Cheng-quan2, Xue Xiao-ling1, ZHENG Zong-hua1(1. Department of Physics & Electronic Information, Minjiang University, Fuzhou 350108, China;2. Department of Geograpgy, Minjiang University, Fuzhou 350108, China)Abstract: Support vector machine (SVM) is a novel machine learning method, which is powerful for solving the problems characterized by small samples, nonlinearity, high dimension, local minima, and other practical problems. The extension algorithm of the support vector mac hine-least squares support vector machine(LSSVM) is studied and applied to the time series forecasting of short-term load in power system. Compared with the predicting outcomings of the neural network model through some examples, the result shows that the forecast accuracy of LSSVM model is higher than that of neural network model, and verifies LSSVM model can apply effectively to short-term load forecasting. This provides a new resolution for short-term load forecasting .Keywords:least square support vector machine; neural network; short-term load prediction; time-sequence forcasting0 引言短期负荷预测是电力系统的重要工作之一。
负荷预测
������������ − ������ + ������������������
������ =1 ������
2
=0
������������ − ������ + ������������������
������ =1
2
=0
������ = [
������ =1
未来负荷预测的发展方向大概有以下三方面： 一是要加强对历史数据的预处理， 尽可能 的挖掘负荷变化的规律性； 二是要不断研究改进负荷预测模型的参数估计方法， 找到最优的 数学算法，以提高负荷预测的精度和速度；三是在实践中，根据不同地区短期负荷的不同特 征及影响因素，灵活选用预测模型，并开发一套成熟、可靠、全面的负荷预测软件，建立基 于负荷预测的电力系统调度平台，使其在现代智能电网条件下安全、可靠、经济运行。
超短期预测 预测时间 1h 以内
短期预测 一天到一周
中期预测 月至年 确定机组运行方 式和设备大修计 划
长期预测 未来 3~5 年 及以上 电网改造和扩建 工作的远景规划
主要作用
安全监视、 预防性 制定发电计划： 安 控制和紧急状态 排日调度和周调 处理 度计划
二、短期负荷预测的方法 其中短期负荷预测是负荷预测的重要组成部分, 它主要用于预报未来几小时、 1 天至几 天的电力负荷,对于调度部门的机组最优组合、 经济调度、 最优潮流而言, 尤其是对现在与将 来的电力市场有着重要的意义。负荷预测精度越高, 越有利于提高发电设备的利用率和经济 调度的有效性。 因电能发输配送设备的故障或者是负荷的随机变化， 使能源供应和需求情况 不断变化，电力成本也随之变化。短期负荷预测的意义不仅在于：为了使用户能够提前了解 到用电高峰和低谷的出现时间，合理安排用电；电网系统要求的安全范围内，经济合理安排 本电网中个发电机组的启动和停止，确保必需的旋转备用容量为最小成本；而且，当电力市 场打破垄断后， 电价是市场化竞争的最重要的体现， 而电价必须基于短期电力负荷预测才能 科学合理制定。 短期负荷预测的研究已有很长历史, 国内外的许多专家、学者在预测理论和方法方面做 了大量的研究工作, 取得了很多卓有成效的进展。由于负荷的随机因素太多, 非线性极强, 而有些传统方法理论依据尚存在局限性等问题, 因此, 新理论和新技术的发展一直推动着短 期负荷预测的不断发展, 新的预测方法层出不穷。短期负荷预测的方法大致可分为两类：一 类是以时间序列法为代表的传统方法， 另一类是以人工神经网络法为代表的新型人工智能方 法。 传统方法中主要有时间序列法、 多元线性回归法及傅立叶展开法等。 传统方法比较成熟， 算法简单，速度快。然而，传统方法都是线性模型方法，因此在遇到本质非线性问题时就显
基于PSO_-LSSVM模型空调负荷预测研究
#BA?+++样本 空调负荷实测值#NZ
#W=>+++样本 空调负荷预测值#NZ
平均相对误差绝对值 '#(的计算式为*
'#(
]&
]&
#BA?*#W=> #BA?
式中!'#(+++平均相对误差绝对值
预测结果与分析
8 月() 月 空 调 负 荷 实 测 值( 预 测 值 分 别 见 图 &($$
!数据预处理 对数据进行缺失检查#并采用箱形图检测方法 检测异常数据#对于异常数据进行剔除再填充符合 实际 的 数 据# 填 充 方 法 采 用 牛 顿 插 值 法$ 采 用 'B<KDEKBU函数对输入变量进行归一化处理$ !预测过程 B3输入训练集(测试集#并进行数据预处理#建 立 0..1'模型$ V3初 始 化 粒 子 群# 包 括 随 机 位 置 和 速 度# 设 定 -./算法的参数和 0..1'模型的参数$ A3计算每个粒子的初始适应度$ T3将初始适应度作为当前每个粒子的最优解# 并记录当前的位置作为局部最优位置$ 将最佳初始 适应度作为当前全局最优解#并记录当前位置$ @3更新粒子速度和位置$ W3评价(比较 粒 子 的 个 体 最 优 解( 全 局 最 优 解# 求最优适应度$ X3判断是否满足迭代终止条件#若满足#则输出 最优正 则 化 参 数( 核 函 数 参 数$ 否 则# 进 入 下 一 步骤$ C3依 据 适 应 度 值# 更 新 粒 子 的 位 置 和 速 度# 重 复该循环#直至满足迭代终止条件$ D3输出全局 最 优 正 则 化 参 数( 核 函 数 参 数 作 为 0..1'模型的训练参数#得到最终预测模型$
基于遗传算法参数优化的最小二乘支持向量机财务困境预测
基于遗传算法参数优化的最小二乘支持向量机财务困境预测赵冠华;李玥;赵娟【摘要】When using traditional support vector machine to make financial distress prediction, we need to solve the complex quadratic programming problems, which are quite difficult. At the same time, the least squares support vector machine （LS-SVM） can solve the quadratic programming problems by transferring them into linear equations, effectively reducing the difficulty. Especially when applying genetic algorithm to optimize parameters and kernel parameters of LSSVM, the prediction accuracy is significantly improved. We randomly selected 252 A-share listed companies during 2002-2007 from Shanghai and Shenzhen Stock Exchanges as the research samples and divided them into two Sample I and Sample II. Then we carried out short-term and long-term predictions of these two sets of samples res The empirical results showed that the prediction effects of LS-SVM model based on genetic algorithm was better of traditional statistical Logit Model as well as the traditional support vector machine. higher accuracy rate compared with long-term prediction. groups - pectively. than that Besides, short-term prediction had a In addition, the number of training samples directly affected the prediction accuracy and they were positively correlated.%传统支持向量机应用于财务困境预测时，需要求解复杂的二次规划问题，求解难度大。
基于最小二乘支持向量机的短期负荷预测
基于最小二乘支持向量机的短期负荷预测
姜妍;兰森;孙艳学
【期刊名称】《黑龙江电力》
【年(卷),期】2012(34)5
【摘要】针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型.在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日.同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择.仿真结果分析表明,该方法有效、可行.
【总页数】4页(P349-352)
【作者】姜妍;兰森;孙艳学
【作者单位】东北电力大学电气工程学院,吉林吉林132012;黑龙江省电力有限公司哈尔滨检修分公司,黑龙江哈尔滨150090;吉林省集安市云峰发电厂,吉林集安134200
【正文语种】中文
【中图分类】TM715.1
【相关文献】
1.基于 PSO 优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根
2.基于PSO优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根;
3.基于改进最小二乘支持向量机的短期负荷预测 [J], 孙薇;刘默涵
4.基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测 [J], 李霄;王昕;郑益慧;李立学;生西奎;吴昊
5.基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法 [J], 陈友鹏; 陈璟华因版权原因，仅展示原文概要，查看原文内容请购买。
基于经验模式分解和最小二乘支持向量机的短期负荷预测
ｓｒ ｓ ｆ ｔｔ ｎ ｒ ｔ ｎ ｉ ｍｏ ｅｆｎ ｔ ｎ （ １ ｎｄｆ ｒｎ ａ ａ ｅ Ｔ ｅｌＣ ａ ｅ ｆ ｒ ｉａ ｌａ ｒ ｓ ｅｐｏ ｉ ｅ ｔ ｎ ｅ ｅ ａ ｏ ａ ｉ ｒ ｓ ｄ ｃ ｏ ｓ Ｉ ｉ ｅｅ ｔ ｃ ｌ ｓ ｃ ． ｈ ａ ｆ ｔ ｓ ｇｎ ｄｓｉ ｒｍ ｎ ｎ ｉ ｏｓ ｉ ｙｎｉ ｃ ｕ ｉ ＭＦ ｉ ｓ ｅｐ Ｏｌ ｅ ｕ ｏ ｏ ｒ ｉ ｌ ｏ ｅｅａ ｒ ｉ
Ｓ ｕ ｒ ｕ ｐ ｒ Ｖ ｃｏ ｃ ｉｅ（ — ＶＭ ） ｓｐｅ ｅ ｔｄｉ ｉ ｐ ｐ ｒ Ｆｒｔ ， ｅｐ ｗｅ ａ ｅ ｅ ｓａ ａ ｔ ｅｙｄ ｃ ｍｐ ｓｄ ｉｔ ｑ ａｅＳ ｐ ｏｔ ｅ ｔｒＭａ ｈｎ ＬＳ Ｓ ｉ ｒｓ ｎｅ ｔ ｓ ａ ｅ． ｉ ｌ ｔ ｏ ｒｌ ｄ ｓｒ ｓｉ ｄ ｐｉ ｌ ｅ ｏ ｏ ｅ ｏａ ｎｈ ｓｙｈ ｏ ｉ ｖ ｎ
维普资讯
第３ 卷 第８ ５ 期 ２０ 年 ４ ｌ ０７ 月 ６日
继 电 器
ＲＥＬ ＡＹ
Ｖ ｌ ５ ＮＯ ８ ｂ＿ ３ ． Ａｐ ． ６ ２ ０ ｒ１ ， ０ ７
基于经验模式分解和最ｄ， 乘支持 向量机 的短期 负荷 预测 ＇ －
祝 志慧 ，孙云莲 ，季 宇
ｔｅｃ ａ ｇ ｅ ｕａｉｎｏ ａ ｈＩ ｈ ｈ ｅｒ ｇ ｌｔ ｆｅ ｃ ＭＦ ｅｒｇ ｔ ａａ ｔｒａ ｄ ｋ ｍｅ ｕ ｃｉｎ ｅｃ ｏ ｅ ｏｂ ｉ ｉ ｅｅ ｔＬ — ＶＭ ｅｐ ｃｉｅｙｔ ｎ ｏ ｈ ｔ ｉｈ ｒ ｍｅｅ ｅ ｌｆｎ ｔ ｓａ ｈ ｓｎ ｔ ｕｌ ｄｆ ｒｎ Ｓ Ｓ ｐ ｎ ｏ ｒ ｄ ｒｓ ｅ ｔ ｌ ｏ ｖ
ＺＨＵ ＿ ｕｉ， Ｚｈｉｈ ＳＵ Ｎ Ｙｕｎ—ｉ ｎ Ｊ Ｕ ｌａ ， ＩＹ
（ ｃ ｏ ｌ ｆＥ ｅ ｔ ｃ ｌ ｇｎ ｅ ｎ Ｓ ｈ ｏ ｌｃｒ ａ ｉｅ ｒ ｇ，Ｗ ｕ ａ ｉｅｓｔ ，Ｗｕ ａ ４ ０ ７ ，Ｃｈｎ ） ｏ ｉ Ｅｎ ｉ ｈ ｎＵｎ ｖ ｒｉ ｙ ｈｎ ３０２ ｉａ
应用最小二乘支持向量机进行短期负荷预测的研究与实现
关
键
词： 最 小二 乘 支持 向量 机 ； 短期 负荷预 测 ； 双 向加 权 ； 自适 应 文献 标识 码 ： Ａ 文章编 号 ： １ ６ ７ ３ — ９ ７ ８ ７ （ ２ ０ １ ３ ） ０ ３ － ０ ３ ２ ７ － ０ ５
中图分 类号 ： Ｔ Ｍ ７ １ ５
第３ ２卷 第 ３ 期
２ ０ １ ３年 ６月
河 南 理 工 大 学 学 报 （自然 科 学 版 ）
Ｊ Ｏ Ｕ Ｒ Ｎ Ａ Ｌ Ｏ Ｆ Ｈ Ｅ Ｎ Ａ Ｎ Ｐ Ｏ Ｌ Ｙ Ｔ Ｅ Ｃ Ｈ Ｎ Ｉ Ｃ Ｕ Ｎ Ｉ Ｖ Ｅ Ｒ Ｓ Ｉ Ｔ Ｙ（ Ｎ Ａ Ｔ Ｕ Ｒ Ａ Ｌ Ｓ Ｃ Ｉ Ｅ Ｎ Ｃ Ｅ）
ｍｅ ｍｂ ｅ ｒ ｓ ｈ ｉ ｐ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ｏ ｆ ａ ｔ ｉ ｍｅ ｄ ｏ ｍａ ｉ ｎ ｉ ｓ ｉ ｎ ｔ ｒ ｏ ｄ ｕｃ ｅ ｄ ｉ ｎ ａ ｂ ｉ － ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ，ｎａ ｍｅ ｌ ｙ，ｔ ｒ ａ ｎｓ ｖ ｅ ｒ ｓ ｅ ａ ｎ ｄ ｌ ｏ ｎ ｇ ｉ ｔ ｕ ｄ ｉ ｎ ａ １ ． Ｔ ｏ ｏ ｖ ｅ ｒ ｃ ｏ ｍｅ ｔ ｈ ｅ ｄ ｉ ｓ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｏ ｆ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｎ ｇ ｗｉ ｔ ｈ ａ ｉ ｆ ｘ ｅ ｄ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ， ａ ｆ ａ ｓ ｔ — ｌ ｅ ａ ｖ ｅ — ｏ ｎ ｅ — ｏ ｕ ｔ ｍｅ ｔ ｈ ｏ ｄ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ａ －
Ｖ ｏ １ ． ３ ２ Ｎ ｏ ． ３
Ｊ ｕ ｎ ． ２ ０ １ ３
应 用 最 小 二 乘 支 持 向量 机 进 行 短 期 负 荷 预测 的 研 究 与 实 现
基于改进最小二乘支持向量机的短期负荷预测
基于改进最小二乘支持向量机的短期负荷预测孙薇;刘默涵【摘要】为了提高短期负荷预测的精度, 提出基于量子差分进化算法 ( Quantum Differential Evolution , QDE) 优化的最小二乘支持向量机 (Least Squares-Support Vector Machine, LSSVM) 模型. 该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性. 实例验证结果表明, QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机, 证明了利用量子差分进化选取最小二乘支持向量机的有效性. 该算法更适用于当前中国短期负荷预测的需要.%To improve the accuracy of short-term load forecasting , this paper proposes least squares-support vector machine (LSSVM) short-term load forecasting approach optimized by quantum differential evolution (QDE) meth-od.This paper overcomes blindness of least squares support vector machine algorithm that based on the experience of the selectedparameters .Examples of verification results show that compared with BP neural network and simple least squares support vector machine algorithm , QDE-LSSVM has higher prediction accuracy which proves the effi-ciency of quantum-bit encoding in choosing the least squares support vector machine parameters .The proposed model is more suitable for the current needs of China's short-term load.【期刊名称】《电力科学与工程》【年(卷),期】2015(031)012【总页数】7页(P16-21,33)【关键词】短期负荷预测;参数优化;量子差分进化;最小二乘支持向量机【作者】孙薇;刘默涵【作者单位】华北电力大学经济与管理学院, 河北保定 071003;华北电力大学经济与管理学院, 河北保定 071003【正文语种】中文【中图分类】TM715“十二五”规划期间，随着电力市场化改革的进一步深化与智能电网的大规模试点，精度较高的负荷预测对保障智能电网的安全稳定运行与电能资源的优化配置起到至关重要的作用。
基于模糊信息粒化和支持向量机的空调负荷预测
ｕ ｉ ｌ ｄ ｉ ｎ ｇ Ｅｎ ｅ ｒ ｇ ｙ＆ ｉ ｒ ｏ ｎ ｍｅ ｎ ｔ Ｂ … 、 ’ … … Ｅｎｖ … ， ●
Ｆ Ｔ ｕ Ｉ － Ｊ Ｕ ・ ● ｅ ｂ ． ２ ０ １ ７ ． ２ ８ － ３ ２
文章 编 号 ： １ ０ ０ ３ ． ０ ３ ４ ４ （ ２ ０ １ ７ ） ０ ２ ． ０ ２ ８ ５
ห้องสมุดไป่ตู้
Ｆ ｕ ｚ ｚ ｙ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｉ ｔ ｏ ｎ Ｇ ｒ ａ ｎ ｕ ｌ ａ ｉ ｔ ｏ ｎ（ Ｆ Ｉ Ｇ ） ａ ｎ ｄ Ｓ ｕ ｐ ｐ ｏ ￣Ｖ ｅ ｃ ｔ ｏ ｒ Ｍａ ｃ ｈ ｉ ｎ ｅ（ Ｓ Ｖ Ｍ） ． Ｔ ｈ ｅ ｉ ｆ ｒ ｓ ｔ ｓ ｔ ｅ ｐ ｏ ｆ ｔ ｈ ｉ ｓ ｍｅ ｈｏ ｔ ｄ ｉ ｓ ｔ ｏ ｅ ｍｐ ｌ ｏ ｙ ｈｅ ｔ
ｒ ａ ｎ ｇ ｅ ｏ ｆ ａ ｉ ｒ － ｃ ｏ ｎ ｉｔ ｄ ｉ ｏ ｉｎ ｎ ｇ ｌ ｏ ａ ｄ ， ａ ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ ｐ ｒ ｅ ｉｃ ｄ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｆ ｏ ｒ ａ ｉ ｒ － ｃ ｏ ｎ ｄ ｉ ｉ ｔ ｏ ｎ ｉ ｎ ｇ ｌ ｏ ａ ｄ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ， ｗｈ ｄ ｉ ｃ ｈ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ
Ａｂｓ ｔ ｒ ａｃ ｔ ：Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈｅ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｏ ｆ ａ ｉ ｒ ｃ ｏ ｎ ｄ ｉ ｉ ｔ ｏ ｎｉ ｎ ｇ ｌ ｏａ ｄ ａ ｎ ｄ ｆ ｏ ｒ ｅ ｃ ｓｔ ａ ｔ ｈｅ ａ ｖ ｅ ｒ ａ ｇ ｅ ｖ ａ ｌ ｕｅ ｎｄ ａ ｔ ｈｅ
ｍａ ｋｅ ａ ｃ ｏ ｍｂｉ ｎｅ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｏ ｆ ａ ｉ ｒ － ｃ ｏ ｎ ｄ ｉ ｉ ｔ ｏ ｎ ｎｇ ｉ ｌ ｏ ａ ｄ ａ ｖ ｅ ａｇ ｒ ｅ ｖ ａ ｌ ｕ ｅ ａ ｎ ｄ ｌ ｆ ｕｃ ｔ ｕ ａ ｉｏ ｔ ｎ ｗｈ ｉ ｃ ｈ ｉ ｓ ｓ ｉ ｍｐ ｌ ｅ ｒ ．
基于模糊信息粒化和支持向量机的空调负荷预测
基于模糊信息粒化和支持向量机的空调负荷预测侯聪;何大四;靳晓东【摘要】为提高空调负荷预测精度,预测空调负荷的平均值和波动范围,本文提出了一种基于模糊信息粒化和支持向量机相结合的空调负荷组合预测方法.该方法首先对原始数据模糊信息粒化处理,提取各窗口信息,其次应用支持向量机原理建立模型,采用交叉验证的方法对相应参数进行寻优,最后使用优化支持向量机模型对实测空调负荷进行预测.实例分析结果表明,该预测方法更为精简,可以有效的对空调负荷的平均值和波动范围进行组合预测.【期刊名称】《建筑热能通风空调》【年(卷),期】2017(036)002【总页数】5页(P28-32)【关键词】空调负;荷组合预测;模糊信息粒化;支持向量机【作者】侯聪;何大四;靳晓东【作者单位】中原工学院能源与环境学院;中原工学院能源与环境学院;中原工学院能源与环境学院【正文语种】中文空调负荷预测方法大致分两种：一是以时间序列法为代表的传统方法[1]；二是以人工神经网络法为代表的新型人工智能方法[2-3]。
前者在精度、数据适应性方面略有缺陷，后者则易陷入局部极小点且精度不够理想，二者都无法对空调负荷值进行精确的点预测，如何预测负荷的变化趋势和变化空间显得尤为重要。
而支持向量机（SVM）是一种新型学习机器，能较好的解决预测过程中非线性及局部极小等问题[4]。
本文提出了一种新的方法，将负荷数据划分窗口并模糊化，得到含有原始数据特点的信息粒，再利用SVM进行回归预测，既利用了模糊信息粒化的信息挖掘能力，又结合了支持向量机良好的非线性函数的逼近能力，有望解决对空调负荷变化趋势和变化空间的预测问题。
1.1 信息粒化信息粒化（IG）最早由教授L.A.Zadeh[5]提出，主要应用于信息粒化的形成、语义解释等，是词语计算与粒化计算的重要方面。
信息粒是一些由于难以区别及某种功能而结合在一起的元素集合。
粒的边界能否被准确定义，决定了粒的模糊与否，例如动物头部的粒为头发，耳朵，鼻子等，是模糊信息粒；而时间的粒为年、月、日等，是非模糊信息粒。
基于LPP-LSSVM的微电网超短期负荷预测算法
基于LPP-LSSVM的微电网超短期负荷预测算法马玉鑫【摘要】为了解决负荷数据非高斯、高维度影响预测模型精度的问题,提出一种基于局部保持投影-最小二乘支持向量机(LPP-LSSVM)的微电网超短期负荷预测算法.在这一算法中,根据负荷数据的时序相关性,以及天气、温度等因素,选取相似日组成训练数据集,利用局部保持投影进行特征提取,然后利用最小二乘支持向量机训练超短期负荷预测模型.通过对上海某公司微电网示范工程中实际运行负荷进行试验,确认所提出算法的有效性.【期刊名称】《上海电气技术》【年(卷),期】2019(012)001【总页数】5页(P42-45,53)【关键词】微电网;局部保持投影;最小二乘支持向量机;负荷;预测;算法【作者】马玉鑫【作者单位】上海电气集团股份有限公司中央研究院上海 200070【正文语种】中文【中图分类】TM732;TP391.91 研究背景在微电网中应用现代信息技术、通信技术与控制技术,已经成为全球化的趋势。
建立微电网,使发电设备、电网运营和终端设备互相配合,协同工作,在保证系统稳定性、可靠性的同时,使投资和对环境的影响最小[1]。
负荷预测在近年来微电网的发展中扮演着极其重要的角色。
系统规划与运行、收益估计、能量交易等都需要精准的负荷预测。
根据预测的时间间隔,负荷预测可以分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测四类,分界线一般默认为一天、两周和三年[2-4]。
由于超短期负荷预测间隔时间短,而且对于微电网而言,其负荷的波动性一般大于区域大电网,因此对预测算法的精度提出了更高要求。
目前,在数据积累情况较为理想的条件下,超短期负荷预测普遍应用人工神经网络(ANN)和支持向量机(SVM),其中SVM因为引入了结构风险最小化理论,不会陷入局部极值,所以备受青睐[5-6]。
实际应用中,为规避SVM复杂且耗时的二次规划求解问题,通常采用最小二乘支持向量机(LSSVM)。
KPCA-LSSVM在磨煤机一次风量预测中的应用
KPCA-LSSVM在磨煤机一次风量预测中的应用金秀章;韩超【摘要】针对建立热电厂磨煤机一次风量软测量模型训练样本多、样本特征维数大等特点,考虑到现场测量所需的实时性和准确性,提出了基于样本优化、核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的方法进行建模.运用某电厂历史运行数据对模型进行仿真验证,结果表明:基于样本优化的KPCA-LSSVM软测量模型在精确性、跟踪能力和运行速度上均要优于LSSVM、BP和KPCA-BP模型,这为现场磨煤机一次风量的准确、实时测量提供了一定的理论依据.【期刊名称】《自动化仪表》【年(卷),期】2015(036)003【总页数】6页(P62-67)【关键词】软测量;样本优化;核主成分分析;最小二乘支持向量机;BP神经网络【作者】金秀章;韩超【作者单位】华北电力大学控制与计算机工程学院,河北保定071003;华北电力大学控制与计算机工程学院,河北保定071003【正文语种】中文【中图分类】TP181BP neural network针对硬件测量仪表对磨煤机一次风量的测量效果差、经常性堵塞等问题，应用软测量技术对磨煤机一次风量进行测量不失为一种好的方法。
软测量技术利用一些与被测变量关系密切且易于实时测量的变量，通过在线运算来估计难以测量或不可测量的变量[1]。
考虑到热工过程的复杂性，采用机理建立软测量模型难度较大，进而改为采用黑箱建模。
基于人工神经网络的磨煤机一次风量预测虽有成功的案例[2]，但在模型训练中存在过拟合、训练时间长、易于陷入局部最小和网络结构不确定等问题。
最小二乘支持向量机(least square support vector machine,LSSVM)是一种基于统计学习理论的机器学习方法，具备坚实的统计理论和出色的学习能力，已成功运用到工业软测量技术当中。
其将标准支持向量机目标函数进行变形，使其由二次寻优转变为求解线性方程组，加快了求解速度，得到了广泛应用[3-4]。
基于自适应加权最小二乘支持向量机的短期负荷预测方法
基于自适应加权最小二乘支持向量机的短期负荷预测方法杨春玲;李天云;王爱凤
【期刊名称】《吉林电力》
【年(卷),期】2007(35)3
【摘要】提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法.在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型.本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单,泛化性能好,不易发生过拟合现象等优点.通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性.
【总页数】4页(P18-20,42)
【作者】杨春玲;李天云;王爱凤
【作者单位】安徽电气工程职业技术学院,安徽,合肥,230051;东北电力大学,吉林,吉林,132012;东北电力大学,吉林,吉林,132012
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于 PSO 优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根
2.基于粗差判别的参数优化自适应加权最小二乘支持向量机在PX氧化过程参数估计中的应用 [J], 陶莉莉;钟伟民;罗娜;钱锋
3.基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模 [J], 赵超;李俊;戴坤成;王贵评
4.基于改进鱼群算法与最小二乘支持向量机的短期负荷预测 [J], 宋学伟; 刘天羽; 江秀臣; 盛戈皞; 刘玉瑶
5.基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法 [J], 陈友鹏; 陈璟华因版权原因，仅展示原文概要，查看原文内容请购买。
基于K均值小波神经网络的二阶段空调负荷预测
基于K均值小波神经网络的二阶段空调负荷预测赵超;郑守锦【期刊名称】《福州大学学报（自然科学版）》【年(卷),期】2018(046)003【摘要】In order to improve the accuracy of air conditioning load prediction, a two-stage predictive model based on K-means clustering and wavelet neural networks ( WNN) was proposed. Aiming at the strongly coupling nonlinear characteristics of the air conditioning load data, K-means clustering meth-od was employed to divide the historical load data into several clusters which could reduce the interfer-ence between samples and eliminate the noise in load sample data. Then, the wavelet neural network model was constructed with the training samples of the identified cluster. Based on the simulated data from the DeST platform, the two-stage WNN model was used to predict the hourly air-conditioning load of an office building in South China. Experiment results shown that the proposed model performed significantly higher prediction accuracy than the traditional single WNN model and BP model in terms of the root mean square error ( RMSE) and the mean absolute percentage error ( MAPE) .%结合聚类分析和小波神经网络模型,提出一种二阶段空调负荷建模方法,以提高空调负荷预测精度.首先利用K均值聚类算法将原始负荷样本数据依据其统计分布特性划分为若干簇类,以降低数据相关性对建模精度的影响;然后基于对每个划分簇类所属的样本数据建立相应小波神经网络空调负荷预测模型.最后基于DeST平台模拟数据,将构造的小波神经网络预测模型运用于福建某办公大楼的逐时空调负荷预测.通过对比均方根误差(RMSE)和平均绝对误差(MAPE),结果表明该模型的预测精度明显优于传统单一的小波神经网络和BP神经网络模型.【总页数】6页(P416-421)【作者】赵超;郑守锦【作者单位】福州大学石油化工学院,福建福州 350116;福州大学石油化工学院,福建福州 350116【正文语种】中文【中图分类】TU831【相关文献】1.基于小波神经网络冰蓄冷空调负荷预测 [J], 刘军;姜允涛;李晓冬2.基于小波神经网络的电力系统负荷预测 [J], 王伟3.基于改进遗传算法优化的小波神经网络短期负荷预测模型 [J], 陈静; 顾思; 徐靖峰4.基于遗传算法优化小波神经网络的短期天然气负荷预测 [J], 刘春霞; 李军; 党伟超; 白尚旺; 王学斌5.基于改进遗传算法优化的小波神经网络短期负荷预测模型 [J], 陈静; 顾思; 徐靖峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法和最小二乘支持向量机的风速预测
基于遗传算法和最小二乘支持向量机的风速预测
远方;付朋侠;牛继涛;李会涛
【期刊名称】《河南科技》
【年(卷),期】2012(000)010
【摘要】随着绿色能源发电在全世界的飞速发展，风能发电比传统能源发电更加
清洁环保，并凡取之不尽、用之不竭，目前是世界首选的可再生能源发电模式之一。
风力发电功率主要取决于风电场的风速，所以，风速预测的准确程度是风速一风电功率预测的主要影响因素。
准确的短期风速预测对电网的安全稳定性及降低运行成本都具有十分重要的意义,
【总页数】2页(P44-45)
【作者】远方;付朋侠;牛继涛;李会涛
【作者单位】河南省电力公司郑州供电公司;河南省电力公司郑州供电公司;河南省
电力公司郑州供电公司;河南省电力公司郑州供电公司
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于因散经验模式分解与最小二乘支持向量机的风电场短期风速预测 [J], 杨德友;蔡国伟
2.基于CFA优化最小二乘支持向量机的短期风速预测 [J], 郑丰;方必武
3.基于优化组合核最小二乘支持向量机的脉动风速预测 [J], 徐言沁;李春祥
4.基于遗传算法和最小二乘支持向量机的风电场超短期风速预测 [J], 李忠;刘景霞
5.基于遗传算法的最小二乘支持向量机风速预测模型研究 [J], 曾杰;朱宜飞;陈卫鹏因版权原因，仅展示原文概要，查看原文内容请购买。
考虑频域分解后数据特征的空调负荷预测模型
考虑频域分解后数据特征的空调负荷预测模型
于军琪;边策;赵安军;解云飞;惠蕾蕾
【期刊名称】《控制理论与应用》
【年(卷),期】2022(39)6
【摘要】针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.
【总页数】9页(P1149-1157)
【作者】于军琪;边策;赵安军;解云飞;惠蕾蕾
【作者单位】西安建筑科技大学建筑设备科学与工程学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.考虑噪声数据的FCM⁃LSSVM负荷预测模型
2.考虑稀疏性的多特征电力负荷功率实时分解
3.基于负荷分解的城市长期负荷预测模型研究
4.考虑城市土地功能变化与负荷特性的城市电力负荷预测模型
5.基于特征分解的短期电负荷组合预测模型研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自适应加权最小二乘支持向量机的空调负荷预测
赵 超， 戴坤成
（ ） 福州大学 石油化工学院 ， 福州 ３ ５ ０ １ ０ ８
摘 要： 为了提高建筑空调负荷的预测精度 ， 在分析空调负荷主要影响因素的基础上提出了一 种基于自适应加权最小二乘 支 持 向 量 机 （ 的 建筑 空 调负 荷 预 测 方 法。 该 方 法 根 据 预 ＡＷＬ Ｓ Ｓ ＶＭ） － 采用基于改进 正 态 分 布 加 权 规 则 ， 自适应地赋予每个建模样本不同的 权 值， 以 测误差的统计特性 ， 算法对模型参数进行优 克服异常样本点对模型性 能 的 影 响 。 建 模 过 程 中 采 用 粒 子 群 优 化 （ Ｐ Ｓ Ｏ） 化， 以进一步提高模型预测精 度 。 基 于 Ｄ ｅ Ｓ Ｔ 模 拟 数 据 将 ＡＷＬ Ｓ Ｓ ＶＭ 方 法 应 用 于 南 方 地 区 某 办 － 公建筑的逐时空调负荷预测中 ， 并与径向基神经网络（ 模 型、 Ｒ Ｂ Ｆ ＮＮ） Ｌ Ｓ Ｓ ＶＭ 模 型 及 ＷＬ Ｓ Ｓ ＶＭ － － 模型作比较 ， 其平均预测绝对误差分别降低了 ５ 并进一步基于实际空 １． ８ ４ ％、 １ ３． ９ ５ ％ 和 ３． ２ ４ ％， 调负荷数据将该方 法 应 用 于 另 一 办 公 建 筑 的 逐 日 空 调 负 荷 预 测 中 。 预 测 结 果 表 明 ： ＡＷＬ Ｓ Ｓ ＶＭ － 预测的累积负荷误差为４． 亦优于其他３ 类模型 ， 证明了 ＡＷＬ ５ ６ＭＷ ， Ｓ Ｓ ＶＭ 具有较高的预测精度 － 是建筑空调负荷预测的一种有效方法 。 和较好的泛化能力 ， 关键词 ： 空调负荷 ； 预测 ； 自适应加权 ； 最小二乘 ； 支持向量机 ； 粒子群优化 ＴＵ ８ ３ １ 中图分类号 ： 文献标志码 ： Ａ ） 文章编号 ： １ ０ ０ ０ ５ ８ ２ Ｘ（ ２ ０ １ ６ ０ １ ０ ５ ５ １ ０ － － －
５ ６
重 庆 大 学 学 报 第 ３ ９卷
ｄ ｅ ｍ ｏ ｎ ｓ ｔ ｒ ａ ｔ ｉ ｎ ｔ ｈ ａ ｔ ＡＷＬ Ｓ Ｓ ＶＭ ｉ ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｆ ｏ ｒ ｂ ｕ ｉ ｌ ｄ ｉ ｎ ａ ｉ ｒ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｌ ｏ ａ ｄ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ． － ｇ ｇ ｇ ｐ － ： ； ； ； ； ； Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ａ ｉ ｒ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ａ ｄ ａ ｔ ｉ ｖ ｅ ｗ ｅ ｉ ｈ ｔ ｅ ｄ ｌ ｅ ａ ｓ ｔ ｓ ｕ ａ ｒ ｅ ｓ ｓ ｕ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ ｓ ｇ ｇ ｐ ｇ ｑ ｐ ｐ ｙ － ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍ ｏ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ（ Ｐ Ｓ Ｏ） ｐ ｐ 建筑空调负荷的准确 、 快速预测不仅是实现空调系统优化控制的一个关键环节 ， 也是进行空调系统节能 指数平滑法 、 灰色预测和人工 调度和经济运行的重要依据之一 。 当前空调负荷预测的方法主要有回归分析 、
第３ ９ 卷第 １ 期 ２ ０ １ ６年２月
重 庆 大 学 学 报 Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃ ｈ ｏ ｎ ｉ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｇ ｑ ｇ ｙ
Ｖ ｏ ｌ ． ３ ９Ｎ ｏ ． １ Ｆ ｅ ｂ ． ２ ０ １ ６
： ／ ｄ ｏ ｉ １ ０． １ １ ８ ３ ５ ． ｉ ｓ ｓ ｎ． １ ０ ０ ０ ５ ８ ２ Ｘ． ２ ０ １ ６． ０ １． ０ ０ ８ － ｊ
Ｚ Ｈ Ａ Ｏ Ｃ ｈ ａ ｏ， Ｄ Ａ Ｉ Ｋ ｕ ｎ ห้องสมุดไป่ตู้ ｈ ｅ ｎ ｇ
（ ， ， ） Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｃ ｈ ｅ ｍ ｉ ｃ ａ ｌ Ｅ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ Ｆ ｕ ｚ ｈ ｏ ｕ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ Ｆ ｕ ｚ ｈ ｏ ｕ ３ ５ ０ １ ０ ８， Ｐ． Ｒ． Ｃ ｈ ｉ ｎ ａ ｇ ｇ ｙ ： ，ｗ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ Ｔ ｏ ｉ ｍ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ａ ｃ ｃ ｕ ｒ ａ ｃ ｏ ｆ ｂ ｕ ｉ ｌ ｄ ｉ ｎ ａ ｉ ｒ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｌ ｏ ａ ｄ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｅ ｒ ｏ ｏ ｓ ｅ ｄ ａ ｎ ａ ｄ ａ ｔ ｉ ｖ ｅ ｐ ｙ ｇ ｇ ｐ ｐ ｐ ｐ － （ ） ｗ ｅ ｉ ｈ ｔ ｅ ｄ ｌ ｅ ａ ｓ ｔ ｓ ｕ ａ ｒ ｅ ｓ ｓ ｕ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ ＡＷＬ Ｓ Ｓ ＶＭ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ａ ｎ ａ ｌ ｚ ｉ ｎ ｔ ｈ ｅ ｍ ａ ｉ ｎ － ｇ ｑ ｐ ｐ ｇ ｙ ｇ ｒ ｅ ｌ ａ ｔ ｅ ｄ ｆ ａ ｃ ｔ ｏ ｒ ｓ ． Ｔ ｈ ｉ ｓ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｕ ｓ ｅ ｓ ｌ ｅ ａ ｓ ｔ ｓ ｕ ａ ｒ ｅ ｓ ｓ ｕ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ ｒ ｅ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ｔ ｏ ｄ ｅ ｖ ｅ ｌ ｏ ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ ｇ ｑ ｐ ｐ ｇ ｐ ， ａ ｎ ｄ ｏ ｂ ｔ ａ ｉ ｎ ｔ ｈ ｅ ｓ ａ ｍ ｌ ｅ ｄ ａ ｔ ａ ｆ ｉ ｔ ｔ ｉ ｎ ｅ ｒ ｒ ｏ ｒ ａ ｎ ｄ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｓ ｔ ｈ ｅ ｉ ｎ ｉ ｔ ｉ ａ ｌ ｗ ｅ ｉ ｈ ｔ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｔ ｏ ｔ ｈ ｅ ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａ ｌ ｐ ｇ ｇ ｇ ｏ ｆ ｔ ｈ ｅ ｅ ｒ ｒ ｏ ｒ ｓ ．Ｔ ｈ ｅ ｓ ｗ ａ ｒ ｍ ｏ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ（ Ｐ Ｓ Ｏ） ｉ ｓ ａ ｌ ｉ ｅ ｄ ｔ ｏ ｏ ｂ ｔ ａ ｉ ｎ ｔ ｈ ｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｐ ｐ ｐ ｐ ｐ ｏ ｔ ｉ ｍ ａ ｌ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ＡＷＬ Ｓ Ｓ ＶＭ， ｓ ｏ ａ ｓ ｔ ｏ ｉ ｍ ｒ ｏ ｖ ｅ ｉ ｔ ｓ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ． Ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｓ ｉ ｍ ｕ ｌ ａ ｔ ｅ ｄ － ｐ ｐ ｐ ｇ ｙ ｄ ａ ｔ ａ ｆ ｒ ｏ ｍ ｔ ｈ ｅ Ｄ ｅ Ｓ Ｔ ｌ ａ ｔ ｆ ｏ ｒ ｍ， ｗ ｅ ｕ ｓ ｅ ｄ ｔ ｈ ｅ ＡＷＬ Ｓ Ｓ ＶＭ ｍ ｏ ｄ ｅ ｌ ｔ ｏ ｒ ｅ ｄ ｉ ｃ ｔ ｔ ｈ ｅ ｈ ｏ ｕ ｒ ｌ ａ ｉ ｒ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｌ ｏ ａ ｄ ｏ ｆ － ｐ ｐ ｙ ｇ － ａ ｎ ｏ ｆ ｆ ｉ ｃ ｅ ｂ ｕ ｉ ｌ ｄ ｉ ｎ ｉ ｎ Ｓ ｏ ｕ ｔ ｈ Ｃ ｈ ｉ ｎ ａ ．Ｔ ｈ ｅ ｓ ｉ ｍ ｕ ｌ ａ ｔ ｅ ｄ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ＡＷＬ Ｓ Ｓ ＶＭ ｈ ａ ｓ ｂ ｅ ｔ ｔ ｅ ｒ ａ ｃ ｃ ｕ ｒ ａ ｃ － ｇ ｙ ， ， ｗ ｉ ｔ ｈ Ｒ Ｂ Ｆ ＮＮ ｍ ｏ ｄ ｅ ｌ Ｌ Ｓ Ｓ ＶＭ ｍ ｏ ｄ ｅ ｌ ａ ｎ ｄ ＷＬ Ｓ Ｓ ＶＭ ｍ ｏ ｄ ｅ ｌ ｗ ｉ ｔ ｈ ａ ｍ ｅ ａ ｎ ａ ｂ ｓ ｏ ｌ ｕ ｔ ｅ ｅ ｒ ｒ ｏ ｒ ｒ ｅ ｄ ｕ ｃ ｅ ｄ ｃ ｏ ｍ ａ ｒ ｅ ｄ － － ｐ ｂ ５ １． ８ ４ ％ ，１ ３． ９ ５％ａ ｎ ｄ ３． ２ ４ ％， ｒ ｅ ｓ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ．Ｗ ｅ ａ ｌ ｓ ｏ ｕ ｓ ｅ ｄ ｔ ｈ ｅ ＡＷＬ Ｓ Ｓ ＶＭ ｍ ｅ ｔ ｈ ｏ ｄ ｔ ｏ ｂ ｕ ｉ ｌ ｄ ａ － ｙ ｐ ｙ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ｔ ｈ ｅ ａ ｉ ｒ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｌ ｏ ａ ｄ ｏ ｆ ａ ｎ ｏ ｔ ｈ ｅ ｒ ｏ ｆ ｆ ｉ ｃ ｅ ｂ ｕ ｉ ｌ ｄ ｉ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｒ ｅ ａ ｌ ｍ ｅ ａ ｓ ｕ ｒ ｅ ｍ ｅ ｎ ｔ ｓ ．Ｔ ｈ ｅ ｐ ｇ ｇ － ， ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ＡＷＬ Ｓ Ｓ ＶＭ ｍ ｅ ｔ ｈ ｏ ｄ ｏ ｕ ｔ ｅ ｒ ｆ ｏ ｒ ｍ ｔ ｈ ｅ ｏ ｔ ｈ ｅ ｒ ｔ ｈ ｒ ｅ ｅ ｍ ｏ ｄ ｅ ｌ ｓ ｉ ｎ ｔ ｅ ｒ ｍ ｓ ｏ ｆ ａ ｃ ｃ ｕ ｍ ｕ ｌ ａ ｔ ｅ ｄ ｅ ｒ ｒ ｏ ｒ － ｐ
］ １ ３ － 。 人工神经网络 （ 神经网络模型预测方法 ［ 因其具有强大的非线性拟合能 ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ，ＡＮＮ） ］ ４ ７ － 。但由于神经网络训练基于经验风险最小化原 则， 近年来在空调负荷预测领域得到 广 泛 应 用 ［ 易产生 力，