最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.
[1] 谢宏, 魏江平, 刘鹤立, XIE Hong, WEI Jiang-ping, LIU He-li. 短期负荷预测中支持向量机模型的参数选取和优化方法 [J]. 中国电机工程学报 2006.doi:10.3321/j.issn:0258-8013.2006.22.004
[2] 鲁淑霞, 王熙照, LU Shu-xia, WANG Xi-zhao. 支持向量机的最大间隔和对偶性 [J]. 河北大学学报（自然科学版） 2007.doi:10.3969/j.issn.1000-1565.2007.05.001
[3] 周虎, 江岳春, 陈旭, 黄珊, 彭信淞, ZHOU Hu, JIANG Yue-chun, CHEN Xu, HUANG Shan, PENG Xin-song. 模糊聚类分析和代数算法结合的短期负荷预测 [J]. 电力系统及其自动化学报 2011.doi:10.3969/j.issn.1003-8930.2011.03.019
[4] 张金良, 谭忠富, ZHANG Jinliang, TAN Zhongfu. 基于经验模态分解和计量经济学模型及混沌模型的短期负荷预测 [J]. 电网技术 2011.
[5] 张承伟, 杨子国, ZHANG Cheng-wei, YANG Zi-guo. 中长期电力负荷模糊聚类预测改进算法 [J]. 计算机工程 2011.doi:10.3969/j.issn.1000-3428.2011.15.058
[6] 刘宝英, 杨仁刚, LIU Baoying, YANG Rengang. 基于主成分分析的最小二乘支持向量机短期负荷预测模型 [J]. 电力自动化设备 2008.doi:10.3969/j.issn.1006-6047.2008.11.003
[7] 张强, 李淼, ZHANG Qiang, LI Miao. 基于遗传算法和遗传模糊聚类的混合聚类算法 [J]. 计算机工程与应用 2007.doi:10.3321/j.issn:1002-8331.2007.03.050
[8] VAPNIK V. Statistical learning theory [M]. New York:wiley 1998.
[9] 庞清乐. 基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用 [J]. 2010.
[10] 唐杰明, 刘俊勇, 杨可, 刘友波. 基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测 [J]. 2009.
