基于迭代局部搜索和自适应粒子群优化的SVM短期负荷预测  

SVM Short-term Load Forecasting Based on Iterated Local Search and Adaptive Particle Swarm Optimization

作　　者：王海斌[1] 刘维亭[1] 徐卉 

机构地区：[1]江苏科技大学电子信息学院,江苏镇江212003 [2]沪东中华造船集团有限公司,上海200129

出　　处：《船舶工程》2013年第1期57-60,共4页Ship Engineering

摘　　要：为了能够进一步的提高船舶电力负荷的预测精度,针对SVM模型在负荷预测中存在的参数选取问题,该研究提出了一种新的参数优化算法:基于迭代局部搜索和自适应粒子群优化的组合算法。自适应粒子群算法提高了传统粒子群算法的收敛速度,引入的迭代局部搜索思想,配合新的极值评价标准能够很好的解决粒子群算法容易陷入局部最优的问题。仿真结果表明,利用新的参数优化算法使得SVM预测模型的精度得到了很大的提高。In order to further improve the prediction accuracy of ship power load, the research introduces a new parameter optimization algorithm aiming at the parameter selection of SVM, that is, combination algorithm based on the iterated local search and adaptive particle swarm optimization. Adaptive particle swarm algorithm improves the traditional particle swarm algorithm convergence speed The iterated local search and the new extreme value evaluation criteria can well solve the problem that the particle swarm algorithm is easy to fall into local optimum. The simulation results show that the precision of SVM is improved a lot using the new parameters optimization algorithm.

关 键 词：迭代局部搜索 粒子群 自适应 支持向量机 

分 类 号：TM715.1[电气工程—电力系统及自动化] U665.12[交通运输工程—船舶及航道工程]