基于相關(guān)向量機(jī)的電力系統(tǒng)月度負(fù)荷預(yù)測.pdf

1、準(zhǔn)確地預(yù)測負(fù)荷是電力系統(tǒng)安全和經(jīng)濟(jì)運(yùn)行的重要保障，而電力市場的發(fā)展也進(jìn)一步提升了對預(yù)測精度的要求。月度負(fù)荷具有增長性和波動性的雙重趨勢，表現(xiàn)出復(fù)雜的非線性組合特征，預(yù)測難度較大。而隨著人工智能技術(shù)的發(fā)展，其在回歸預(yù)測問題上展現(xiàn)出強(qiáng)大的非線性處理能力和廣泛的適用性，為負(fù)荷預(yù)測提供了新的思路。因此，將人工智能技術(shù)應(yīng)用到電力系統(tǒng)月度負(fù)荷預(yù)測可以提高預(yù)測模型的準(zhǔn)確度和適應(yīng)性，對電力系統(tǒng)運(yùn)行的安全性和經(jīng)濟(jì)性具有重大意義。
　　本文首先介紹了

2、月度負(fù)荷預(yù)測的研究現(xiàn)狀和人工智能在負(fù)荷預(yù)測的應(yīng)用現(xiàn)狀。然后從機(jī)器學(xué)習(xí)的問題出發(fā)，闡述了統(tǒng)計(jì)學(xué)習(xí)理論和相關(guān)向量機(jī)（Relevance Vector Machine，RVM）原理。針對RVM對核函數(shù)和模型參數(shù)敏感的缺陷，以組合核函數(shù)來綜合局部核和全局核函數(shù)的優(yōu)點(diǎn)，以改進(jìn)粒子群（Particle Swarm Optimization，PSO）算法優(yōu)化參數(shù)，并以此建立基于PSO-RVM的負(fù)荷預(yù)測模型。接著從外部因素和內(nèi)部因素兩方面研究分析月度負(fù)

3、荷的影響因素。外部因素考慮經(jīng)濟(jì)、產(chǎn)業(yè)結(jié)構(gòu)和氣溫因素的影響，利用K-L（Kullback-Leibler）信息量對外部因素進(jìn)行量化分析，選取關(guān)聯(lián)度較高的因素作為模型輸入，進(jìn)而建立基于K-L信息量的PSO-RVM負(fù)荷預(yù)測模型。內(nèi)部因素考慮業(yè)擴(kuò)容量的影響，利用負(fù)荷生長曲線擬合用戶申報(bào)業(yè)擴(kuò)之后的電量數(shù)據(jù)，然后采用k-均值聚類算法提取出不同行業(yè)的業(yè)擴(kuò)報(bào)裝負(fù)荷生長典型周期，根據(jù)業(yè)擴(kuò)報(bào)裝容量和研究得到的逐月影響比例提取實(shí)際業(yè)擴(kuò)增量，結(jié)合之前建立的預(yù)測