基于改進人工蜂群算法的LSSVM燃氣負荷預測.pdf

1、學校代碼：10270分類號：TP391學號：132201051碩士學位論文基于改進人工蜂群算法的LSSVM燃氣負荷預測學院：信息與機電工程學院專業(yè)：計算機應用技術(shù)研究方向：人工智能研究生姓名：廉德勝指導教師：徐曉鐘完成日期：2016年4月上海師范大學碩士學位論文摘要I摘要摘要隨著經(jīng)濟的發(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。能源危機正影響著人們的生活，天燃氣作為綠色能源，蘊藏豐富，可再生，因

2、此被廣泛的采用。天燃氣成本低無污染，具有很好的發(fā)展前景，為了能更加有效的使用和運輸天燃氣，提高天氣的利用效率，必須能夠根據(jù)本地區(qū)天燃氣負荷相關(guān)影響因子，如天氣，溫度，節(jié)假日，對未來一段時間天燃氣負荷預測進行科學有效的預測。能否準確的對當?shù)氐娜細庳摵蛇M行預測直接影響到當?shù)鼐用竦挠秒姲踩约叭細夤痰睦妗ｋm然在負荷預測領(lǐng)域，電力負荷預測以及太陽能預測已經(jīng)相當成熟，但是由于能源種類不同，進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。短期燃氣負荷樣本數(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，所以一般的負荷預測方法難以達到預測的效果，支持向量機（SVM）是一種人工智能方法，并且具有非常不錯的預測性能。而最小二乘支持向量機（LSSVM）是對SVM的一種改進，使用等式約束替代了原算法的非等式約束，進而通過求解線性方程組來達到解決問題的目的，無論是運行時間還是正確率，最小二乘支持向量機算法都有了提高，并進一步推動SVM的發(fā)展與應用，因此本文采用L

4、SSVM算法作為燃氣負荷預測的理論基礎。LSSVM參數(shù)的選擇對算法的性能起到非常重要的作用，同時也直接影響著最小二乘支持向量機（LSSVM）的泛化性能和回歸效驗，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氣負荷影響因子的分析，數(shù)據(jù)的采集，數(shù)據(jù)的預處理以及LSSVM與優(yōu)化算法的結(jié)合等一系列步驟，完成了燃氣負荷預測仿真實驗。為了進一步提高模型的預測精度，本文對人

5、工蜂群算法（ABC）做了進一步的研究與改進，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，同時又提出一種運行時動態(tài)參數(shù)調(diào)整方法。為了驗證算法改進的有效性，本文首先對人工蜂群算法的改進進行了單獨的對比分析實驗。其次，給出了基于改進后的人工蜂群算法的LSSVM燃氣負荷預測模型并結(jié)合本地區(qū)實際燃氣負荷數(shù)據(jù)進行了回歸實驗。經(jīng)過實驗對比，人工蜂群算法在準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