基于支持向量機(jī)的組合預(yù)測(cè)模型及其應(yīng)用研究.pdf

1、預(yù)測(cè)廣泛的應(yīng)用到生活中的各個(gè)領(lǐng)域中，目前常用的預(yù)測(cè)方法有很多種，而支持向量機(jī)（SVM）是一種基于統(tǒng)計(jì)學(xué)理論的新方法，具有很好的推廣能力以及全局最優(yōu)解，在解決小樣本、非線性等問(wèn)題上有著很大的優(yōu)勢(shì)。但由于標(biāo)準(zhǔn)的SVM求解的是二次規(guī)劃問(wèn)題，計(jì)算量比較大，同時(shí)單一的預(yù)測(cè)方法都存在精度都不是很高，參數(shù)不易選擇等問(wèn)題，針對(duì)這些問(wèn)題做了如下研究工作。
　　本文首先介紹了預(yù)測(cè)的研究意義以及常用的預(yù)測(cè)方法，然后對(duì)電力短期負(fù)荷數(shù)據(jù)分析得到其時(shí)間序列是

2、非線性、非平穩(wěn)的，而經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）是一種自適應(yīng)的非線性處理方法，通過(guò)將原始的時(shí)間序列分解，可以得到一系列相對(duì)比較平穩(wěn)的分量，由于EMD可能會(huì)存在模態(tài)混疊的現(xiàn)象，因此在此基礎(chǔ)之上采用集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）對(duì)時(shí)間序列進(jìn)行分解。
　　其次，針對(duì)SVM計(jì)算量較大的問(wèn)題，采用了最小二乘支持向量機(jī)（LSSVM），簡(jiǎn)化了計(jì)算，然后結(jié)合EEMD提出了EEMD-LSSVM的組合預(yù)測(cè)模型，并將這一預(yù)測(cè)模型應(yīng)用于電力短期負(fù)荷預(yù)測(cè)中。首先利

3、用EEMD對(duì)原始數(shù)據(jù)進(jìn)行分解，然后對(duì)分解出來(lái)的各個(gè)分量分別建立LSSVM模型，再通過(guò)貝葉斯證據(jù)框架對(duì)模型參數(shù)進(jìn)行優(yōu)化選擇，最后將各分量的預(yù)測(cè)結(jié)果疊加得到最終的預(yù)測(cè)值，仿真結(jié)果表明組合預(yù)測(cè)模型取得了較好的預(yù)測(cè)效果，并且EEMD更適合對(duì)非平穩(wěn)數(shù)據(jù)進(jìn)行處理。
　　最后，雖然LSSVM在一定程度上簡(jiǎn)化了計(jì)算，但LSSVM喪失了稀疏性和魯棒性，基于此，采用了加權(quán)最小二乘支持向量機(jī)（WLSSVM）。然后對(duì)電力短期負(fù)荷數(shù)據(jù)進(jìn)行混沌特性識(shí)別，將混