文献

J-GLOBAL ID：201702290486422583   整理番号：17A1265213

GMDH,PSO(粒子群最適化)とLSSVMの結合モデルに基づく長期および中期電力負荷予測【Powered by NICT】

Long and medium term power load forecasting based on a combination model of GMDH, PSO and LSSVM

著者 (3件)： Jinlian Long (College of Electrical Engineering, Guizhou University, Guiyang 550025, China) ,  Yufen Zhang (College of Electrical Engineering, Guizhou University, Guiyang 550025, China) ,  Jiaxuan Lu (College of Big Data and Information Engineering, Guizhou University, Guiyang 550025, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CCDC  ページ： 964-969  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,Group Methodof DataH andling(GMDH),改良型粒子群最適化(PSO),最小二乗サポートベクトルマシン(LSSVM)に基づく新しい方法を電力負荷予測における問題,最小サポートベクトルマシン(LSSVM)モデリングの入力ノードとモデルパラメータを決定する困難を解決するために提案する。特定法は以下の通りである:最初に,LSSVMモデルの入力変数を得るためにGMDHアルゴリズムを用いた。第二に,適応変異PSO(粒子群最適化)アルゴリズムを解析しLSSVMモデルのパラメータを最適化することであると,訓練されたLSSVMモデルを利用して,試験試料を予測した。さらに,年2008年から2013年までのある都市の実際の負荷についての実際の事例を解析し,2014年,2015年,電力負荷を予測した。シミュレーション結果は,予測精度は著明に改善されていることを確認した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： モデリング ,  *電力 ,  *予測 ,  *GMDH ,  *負荷予測 ,  *最適化 ,  *モデル ,  サポートベクトルマシン ,  *結合モデル ,  アルゴリズム ,  シミュレーション
準シソーラス用語： 予測精度 ,  モデルパラメータ ,  *電力負荷 ,  *粒子群最適化 , 【Automatic Indexing@JST】

分類 (5件)： 下水,廃水の物理的処理  (SC03040L) ,  航海計器,航法装置,電気設備  (QJ04020P) ,  電力工学・電力事業一般  (NB01000X) ,  比熱・熱伝導一般  (BL05021E) ,  赤外・Raman・Rayleighスペクトル一般(分子)  (BH06031K)

タイトルに関連する用語 (8件)： GMDH ,  PSO ,  粒子群最適化 ,  結合モデル ,  長期 ,  中期 ,  電力負荷 ,  予測