基于支持向量機的短期電力負荷預測研究.pdf

1、短期負荷預測是電力系統(tǒng)調度和計劃部門安排購電計劃和制定運行方式的基礎，是保障電力系統(tǒng)安全、經濟運行的重要手段。支持向量機（Support Vector Machine，SVM）是近期提出的一種機器學習方法，它具有嚴格的數(shù)學理論基礎，有著比人工神經網絡更優(yōu)越的性能。本文將SVM引入到短期負荷預測中，結合具體實例，驗證了該方法的可行性和有效性。
　　 本文闡述了短期負荷預測的研究現(xiàn)狀，歸納了常用的預測模型和方法，并分析了各種方法的優(yōu)

2、劣；接著詳細介紹了SVM的理論基礎和原理，推導了SVM的回歸模型，之后將SVM引入到短期負荷預測，從預測流程、樣本構造、參數(shù)選擇、訓練算法等方面進行了細致的研究；在此基礎上，結合具體實例，論文進行了基于SVM的短期負荷預測實踐。由于天氣是影響短期負荷預測的關鍵因素，在分析了武漢地區(qū)夏季的氣象特征后，選取氣溫、濕度、日照時、大氣壓強等作為訓練樣本的構成因子，對典型日進行負荷預測，算例結果表明，考慮了天氣因素的SVM比基于歷史負荷數(shù)據(jù)的SV

3、M更能夠取得好的預測結果。為了能夠反映出電力負荷“近大遠小”的原則，論文對SVM進行了改進。通過引入兩個調節(jié)變量，改進后的SVM可根據(jù)訓練樣本與預測樣本之間的時間跨度，對不同樣本的訓練誤差采取不同的懲罰力度。算例結果表明，該方法能夠提高短期負荷預測的預測精度。本文對核函數(shù)的構造展開了一些研究，提出了一種混合核的構造方法，并對這種基于混合核函數(shù)支持向量機的泛化能力進行了估計。算例結果表明，基于混合核的支持向量機比基于單一核的支持向量機具有