文献类型：期刊文章

作　　者：杨光雨[1] 李晓航[2]

Yang Guangyu;Li Xiaohang(Overhaul Branch of State Grid Henan Electric Power Company,Zhengzhou 450000,China;Pingdingshan Power Supply Company,State Grid Henan Electric Power Company,Pingdingshan 467001,Henan,China)

机构地区：[1]国网河南省电力公司检修公司,郑州450000 [2]国网河南省电力公司平顶山供电公司,河南平顶山467001

出　　处：《电测与仪表》

基　　金：国网河南省电力有限公司科技项目(521760170002);国家重点研发计划资助项目(2017YFC0804101)。

年　　份：2022

卷　　号：59

期　　号：3

起止页码：38-45

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。

关 键 词：最大信息挖掘广域学习系统  支持向量机 短期电力负荷 混沌系统

分 类 号：TM743]