Matlab|基于支持向量机的电力短期负荷预测【三种方法】

这篇具有很好参考价值的文章主要介绍了Matlab|基于支持向量机的电力短期负荷预测【三种方法】。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

主要内容   

  部分代码   

  结果一览   

下载链接


主要内容   

该程序主要是对电力短期负荷进行预测,采用三种方法,分别是最小二乘支持向量机(LSSVM)、标准粒子群算法支持向量机和改进粒子群算法支持向量机三种方法对负荷进行预测,有详实的文档资料,程序注释清楚,方便学习!

Matlab|基于支持向量机的电力短期负荷预测【三种方法】,预测,matlab,支持向量机,电力负荷预测,改进粒子群,预测

  部分代码   

%C为最小二乘支持向量机的正则化参数,theta为高斯径向基的核函数参数,两个需要进行优化选择调试
NumOfPre =1;%预测天数,在此预测本季度最后七天
Time = 24;
Data = xlsread('a23.xls');%此为从excel表格读数据的命令,表示将表格的数据读到Data数组中,省略表格中的第一行第一列文字部分 可输入你要预测的表格名称
[M N] = size(Data);%计算读入数据的行和列 M行N列
for i = 1:3
    maxData = max(Data(:,i));
    minData = min(Data(:,i));
    Data1(:,i) = (Data(:,i) - minData)/(maxData-minData);%对温度进行归一化处理
end
for i = 4:5
    Data1(:,i) = Data(:,i);
end
for i = 6:N
    Data1(:,i) = log10(Data(:,i)) ;%对负荷进行对数处理 温度和负荷的预处理 可采用不同的方法 可不必拘泥
end
Dim =  M - 2 - NumOfPre;%训练样本数%训练样本数
Input = zeros(M-2,12,Time);%预先分配处理后的输入向量空间
y = zeros(Dim,Time);
for i = 3:M 
    for j = 1:Time
        %%选取前一天温度、同一时刻的负荷,前两天的负荷,当天的温度作为输入特征
        x = [Data1(i-1,1:5), Data1(i-1,j+5), Data1(i-2,j+5),Data1(i,1:5)];
        Input(i-2,:,j) = x;
        y(i-2,j) = Data1(i,j+5);
    end
end
Dist = zeros(Dim,Dim,Time);%预先分配距离空间
for i=1:Time
    for j=1:Dim
        for k=1:Dim
            Dist(j,k,i) = (Input(j,:,i) - Input(k,:,i))*(Input(j,:,i) - Input(k,:,i))';
        end
    end
end
Dist1=exp(-Dist/(2*YY));%RBF
for i=1:Time
    H = Dist1(:,:,i) + eye(Dim)/XX;%最小二乘支持向量的H矩阵

  结果一览   

1.最小二乘支持向量机(LSSVM)

Matlab|基于支持向量机的电力短期负荷预测【三种方法】,预测,matlab,支持向量机,电力负荷预测,改进粒子群,预测

2.标准粒子群算法支持向量机

Matlab|基于支持向量机的电力短期负荷预测【三种方法】,预测,matlab,支持向量机,电力负荷预测,改进粒子群,预测

Matlab|基于支持向量机的电力短期负荷预测【三种方法】,预测,matlab,支持向量机,电力负荷预测,改进粒子群,预测

3.改进粒子群算法支持向量机

Matlab|基于支持向量机的电力短期负荷预测【三种方法】,预测,matlab,支持向量机,电力负荷预测,改进粒子群,预测

Matlab|基于支持向量机的电力短期负荷预测【三种方法】,预测,matlab,支持向量机,电力负荷预测,改进粒子群,预测文章来源地址https://www.toymoban.com/news/detail-829891.html

下载链接

到了这里,关于Matlab|基于支持向量机的电力短期负荷预测【三种方法】的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包