支持向量機在電力系統(tǒng)短期負荷預測中的應用.pdf

1、電力系統(tǒng)短期負荷預測是電力系統(tǒng)安全和經(jīng)濟運行的重要依據(jù).價格競爭機制引入電力系統(tǒng)形成電力市場后,對短期負荷預測的精度和速度提出了更高的要求.雖然負荷預測的研究己有幾十年歷史,有很多負荷預測的理論和方法,但是隨著新理論和新技術的發(fā)展,對負荷預測新方法的研究仍在不斷地深入進行.支持向量機作為數(shù)據(jù)挖掘的一項新技術,應用于模式識別和處理回歸問題等諸多領域.本文利用支持向量機優(yōu)越的非線性學習及預測性能,針對短期負荷預測的各種影響因素的非線性特性,

2、提出基于支持向量機的電力系統(tǒng)短期負荷預測新方法,以提高預測精度和時效性,該研究具有重要的理論意義和實用價值. 本文分析了支持向量機的基本原理,支持向量機具有非線性擬合、泛化能力強、訓練收斂速度快等顯著特點.針對電力系統(tǒng)負荷與各種影響因素之間的非線性關系,本文建立了基于支持向量機的短期負荷預測模型,并與神經(jīng)網(wǎng)絡方法作了實例分析比較,結果表明基于支持向量機的負荷預測精度和速度要優(yōu)于神經(jīng)網(wǎng)絡方法. 由于影響負荷的因素繁多且復雜

3、,若對輸入不加適當選擇處理會導致預測精度降低,訓練時間增加.本文采用一種有效的負荷聚類分析處理技術,并將聚類算法與支持向量機相結合,首次提出了聯(lián)合FCM模糊聚類算法和支持向量機的短期負荷預測新方法.該方法考慮到負荷變化的周期性特點,應用模糊聚類分析的基本原理,依據(jù)輸入樣本的相似度選取訓練樣本,即選用同類特征數(shù)據(jù)作為預測輸入,保證了數(shù)據(jù)特征的一致性,強化了歷史數(shù)據(jù)規(guī)律.在基于支持向量機負荷預測的基礎上,對樣本進行模糊聚類分析,選取與預測樣