基于改進(jìn)人工蜂群算法的lssvm燃?xì)庳?fù)荷預(yù)測

1、學(xué)校代碼：10270分類號：TP391學(xué)號：132201051碩士學(xué)位論文基于改進(jìn)人工蜂群算法的LSSVM燃?xì)庳?fù)荷預(yù)測學(xué)院：信息與機(jī)電工程學(xué)院專業(yè)：計(jì)算機(jī)應(yīng)用技術(shù)研究方向：人工智能研究生姓名：廉德勝指導(dǎo)教師：徐曉鐘完成日期：2016年4月上海師范大學(xué)碩士學(xué)位論文摘要I摘要摘要隨著經(jīng)濟(jì)的發(fā)展人口的不斷增加，以及隨之而來人們生活質(zhì)量的普遍提升，人們對天然氣的需求也越來越大。能源危機(jī)正影響著人們的生活，天燃?xì)庾鳛榫G色能源，蘊(yùn)藏豐富，可再生，因

2、此被廣泛的采用。天燃?xì)獬杀镜蜔o污染，具有很好的發(fā)展前景，為了能更加有效的使用和運(yùn)輸天燃?xì)?，提高天氣的利用效率，必須能夠根?jù)本地區(qū)天燃?xì)庳?fù)荷相關(guān)影響因子，如天氣，溫度，節(jié)假日，對未來一段時(shí)間天燃?xì)庳?fù)荷預(yù)測進(jìn)行科學(xué)有效的預(yù)測。能否準(zhǔn)確的對當(dāng)?shù)氐娜細(xì)庳?fù)荷進(jìn)行預(yù)測直接影響到當(dāng)?shù)鼐用竦挠秒姲踩约叭細(xì)夤?yīng)商的利益。雖然在負(fù)荷預(yù)測領(lǐng)域，電力負(fù)荷預(yù)測以及太陽能預(yù)測已經(jīng)相當(dāng)成熟，但是由于能源種類不同，進(jìn)而影響因素也大不相同，所以不能直接把其他領(lǐng)域內(nèi)的方

3、法照搬過來。短期燃?xì)庳?fù)荷樣本數(shù)據(jù)量一般不會較大，影響因素之間往往也存在一定的內(nèi)在聯(lián)系，所以一般的負(fù)荷預(yù)測方法難以達(dá)到預(yù)測的效果，支持向量機(jī)（SVM）是一種人工智能方法，并且具有非常不錯的預(yù)測性能。而最小二乘支持向量機(jī)（LSSVM）是對SVM的一種改進(jìn)，使用等式約束替代了原算法的非等式約束，進(jìn)而通過求解線性方程組來達(dá)到解決問題的目的，無論是運(yùn)行時(shí)間還是正確率，最小二乘支持向量機(jī)算法都有了提高，并進(jìn)一步推動SVM的發(fā)展與應(yīng)用，因此本文采用L

4、SSVM算法作為燃?xì)庳?fù)荷預(yù)測的理論基礎(chǔ)。LSSVM參數(shù)的選擇對算法的性能起到非常重要的作用，同時(shí)也直接影響著最小二乘支持向量機(jī)（LSSVM）的泛化性能和回歸效驗(yàn)，是確保LSSVM優(yōu)秀性能的關(guān)鍵。因此本文采用了具有良好優(yōu)化性能的人工蜂群算法作為LSSVM參數(shù)優(yōu)化算法，緊接著本文通過對燃?xì)庳?fù)荷影響因子的分析，數(shù)據(jù)的采集，數(shù)據(jù)的預(yù)處理以及LSSVM與優(yōu)化算法的結(jié)合等一系列步驟，完成了燃?xì)庳?fù)荷預(yù)測仿真實(shí)驗(yàn)。為了進(jìn)一步提高模型的預(yù)測精度，本文對人

5、工蜂群算法（ABC）做了進(jìn)一步的研究與改進(jìn)，即引入新解越界處理方法，研究了一種基于雙種群策略的蜂群算法，同時(shí)又提出一種運(yùn)行時(shí)動態(tài)參數(shù)調(diào)整方法。為了驗(yàn)證算法改進(jìn)的有效性，本文首先對人工蜂群算法的改進(jìn)進(jìn)行了單獨(dú)的對比分析實(shí)驗(yàn)。其次，給出了基于改進(jìn)后的人工蜂群算法的LSSVM燃?xì)庳?fù)荷預(yù)測模型并結(jié)合本地區(qū)實(shí)際燃?xì)庳?fù)荷數(shù)據(jù)進(jìn)行了回歸實(shí)驗(yàn)。經(jīng)過實(shí)驗(yàn)對比，人工蜂群算法在準(zhǔn)確性與健壯性方面均有一定的提升并且本文所采用的方法比傳統(tǒng)的人工蜂群算法具有更高的