👨🎓个人主页:研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
2.4 变分模态分解与麻雀优化Lssvm(VMD-SSA-LSSVM)
💥1 概述
文献来源:
针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进行参数优化,最后将各分量预测值组合得到最终的预测结果。将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM、VMD-SSA-LSSVM模型预测值对比,得出所提出方法的两组数据MAPE值分别为1.501 6%、4.765%,远低于其他模型。结果表明该组合预测模型在预测精度上具有一定的优越性。
1.1 VMD变分模态分解
1.2 LSSVM最小二乘支持向量机
1.3 SSA麻雀优化算法
![](https://img-blog.csdnimg.cn/a2ed9970adca4d6d8783a34950b44c44.png)
📚2 运行结果
2.1 Lssvm
2.2 麻雀优化Lssvm
2.3 变分模态分解优化Lssvm
2.4 变分模态分解与麻雀优化Lssvm(VMD-SSA-LSSVM)
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]杨邓,杨俊杰,胡晨阳,崔丹,陈照光.基于改进LSSVM的短期电力负荷预测[J].电子测量技术,2021,44(18):47-53.DOI:10.19651/j.cnki.emt.2107628.
[2]吴小涛,袁晓辉,袁艳斌,毛雅茜,肖加清.基于EEMD-VMD-SSA-KELM模型的汛期日径流预测[J/OL].中国农村水利水电:1-14[2023-04-09].