支持向量機(jī)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用及改進(jìn).pdf

1、電力系統(tǒng)負(fù)荷預(yù)測是電網(wǎng)能量管理系統(tǒng)的重要內(nèi)容之一，根據(jù)負(fù)荷預(yù)測值，可以合理的安排購電計(jì)劃和制定運(yùn)行方式，對電力系統(tǒng)的可靠和經(jīng)濟(jì)運(yùn)行意義重大。短期負(fù)荷預(yù)測通常是指以月、周、日為時(shí)間單位的負(fù)荷指標(biāo)預(yù)測，隨著電力市場的發(fā)展，短期負(fù)荷預(yù)測越來越受到重視。 負(fù)荷預(yù)測方法大致可分為兩大類。一類是以時(shí)間序列法為代表的傳統(tǒng)方法；另一類是以人工神經(jīng)網(wǎng)絡(luò)法為代表的新型人工智能方法。傳統(tǒng)方法中主要有時(shí)間序列法、多元線性回歸法及傅立葉展開法等。人工智能

2、方法中主要有專家系統(tǒng)法、模糊邏輯法、模糊神經(jīng)模型及人工神經(jīng)網(wǎng)絡(luò)法等。非線性回歸和時(shí)間序列法在電網(wǎng)情況正常、生產(chǎn)和氣象變化不大的時(shí)候預(yù)測效果良好，但不能考慮一些影響負(fù)荷的要素，如休息日、氣象等，當(dāng)這些因素發(fā)生突變時(shí)預(yù)測精度受到影響。神經(jīng)網(wǎng)絡(luò)和模糊理論考慮到了影響負(fù)荷的一些不確定因素，但沒有徹底解決網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的難題，且需要較長的訓(xùn)練時(shí)間。 支持向量機(jī)是新一代的機(jī)器學(xué)習(xí)算法，以統(tǒng)計(jì)學(xué)習(xí)理論作為其理論基礎(chǔ)，其訓(xùn)練等價(jià)于解決一個(gè)二次規(guī)劃

3、問題，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有預(yù)測能力強(qiáng)、全局最優(yōu)及收斂速度快等顯著特點(diǎn)。本文從基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測算法入手，通過計(jì)算實(shí)例與BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較，驗(yàn)證該算法的有效性和優(yōu)越性。在分析了支持向量機(jī)回歸算法中參數(shù)對預(yù)測精度及泛化能力的影響之后，提出用Grid—search方法進(jìn)行參數(shù)優(yōu)化。為降低計(jì)算的復(fù)雜性并提高求解速度，本文進(jìn)而采用最小二乘支持向量機(jī)來建立負(fù)荷預(yù)測所用模型，實(shí)驗(yàn)結(jié)果證明該方法的有效性。 在時(shí)間

4、序列預(yù)測問題中，特征提取可以降低學(xué)習(xí)問題的復(fù)雜性，提高學(xué)習(xí)算法的泛化能力，并簡化學(xué)習(xí)模型，從而具有重要的意義。多元主成分分析理論通過求協(xié)方差的辦法將多維矢量數(shù)據(jù)的主要特征分量提取出來。本文提出用主成分分析對數(shù)據(jù)進(jìn)行特征提取，以消除變量間的共線性和噪聲，然后將提取出的包含樣本數(shù)據(jù)信息的主元送入支持向量機(jī)進(jìn)行訓(xùn)練，這樣既結(jié)合了主成分分析的特征提取能力，又利用了支持向量機(jī)良好的非線性函數(shù)逼近能力，通過實(shí)際算例分析，證明了該算法可以改善預(yù)測模型