文献

J-GLOBAL ID：202002219204302548   整理番号：20A2653030

特徴選択とパラメータ最適化のための知的方法によるサポートベクトルマシンに基づくハイブリッド負荷予測モデル【JST・京大機械翻訳】

A hybrid load forecasting model based on support vector machine with intelligent methods for feature selection and parameter optimization

著者 (2件)： Dai Yeming (School of Business, Qingdao University, Qingdao 200071, China) ,  Zhao Pei (School of Mathematics and Statistics, Qingdao University, Qingdao 200071, China)
資料名： Applied Energy  (Applied Energy)
巻： 279  ページ： Null  発行年： 2020年 
JST資料番号： A0097A  ISSN： 0306-2619  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 正確な電力負荷予測は電力系統の安全配分と安定運転を保証するのに寄与する。大きい予測ツールとして,サポートベクトルマシンは電力負荷予測で広く使われている。しかし,情報技術の急速な発展のために,単純なサポートベクトルマシンの予測結果は,スマートグリッドで予測するために十分に正確でない。予測精度を強化するために,本論文は,サポートベクトルマシンに関していくつかの改良をして,特徴選択とパラメータ最適化のために知的方法を統合したハイブリッドモデルを提案した。第1に,リアルタイム価格は,人々が電力消費パターンを調整するための需要とリアルタイム価格にますます依存するので,電力負荷の重要な影響因子になる。このように,電力負荷に影響する他の因子と共にリアルタイム価格を候補特性として採用し,最小冗長性最大関連性を適用して,候補特徴から情報を得た。第2に,他の特徴として,歴史的負荷シーケンスを,その選択をより一般的にするため,本論文は,予測するために,重み付け灰色関係投影アルゴリズムを採用した。最後に,二次振動と反発粒子スウォーム最適化を用いて,サポートベクトルマシンのパラメータを最適化した。さらに,提案モデルをシンガポールのデータセットのシミュレーションによってテストした。提案モデルの予測結果を比較することによって,改良と他の3つの予測モデルの前のサポートベクターマシンは,サポートベクターマシンの改良が有効であり,提案モデルが精度,安定性,および有効性の面で他の予測モデルより優れていることを確認した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  冗長性 ,  電力消費 ,  *負荷予測 ,  *特徴選択 ,  情報技術 ,  *予測モデル ,  *サポートベクトルマシン ,  スマートグリッド
準シソーラス用語： *パラメータ最適化 ,  予測精度 ,  ハイブリッドモデル ,  電力負荷 ,  粒子スウォーム , 【Automatic Indexing@JST】

著者キーワード (5件)： リアルタイム価格 ,  最小冗長性最大関連性 ,  重み付き灰色関係射影アルゴリズム ,  二次振動と反発粒子スウォーム最適化 ,  電力負荷予測

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (4件)： 特徴選択 ,  パラメータ最適化 ,  サポートベクトルマシン ,  予測モデル