svm与fourier算法在电网短期负荷预测中的..

《svm与fourier算法在电网短期负荷预测中的.. 》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、svm与fourier算法在电网短期负荷预测中的..SVM与Fourier算法在电网短期负荷预测中的应用杨镜非谢　宏程浩忠(上海交通大学电气工程系，上海，200030)摘　要：本文将Fourier(傅立叶)算法与SVM(支持向量机)共同引入电网短期负荷预测。对于波动性较大的负荷，Fourier算法用于滤除高次谐波分量。SVM用于对滤除了高次分量的数据进行统计学习，它首先筛选与预测点相关的的历史数据构成训练样本，再将预测的平滑性和误差损失函数相结合构成问题的目标函数进行求解。编制了相应的软件，对某实际电网进行了短期负荷预测，取得了理想的结果

2、。关键词：支持向量机，傅立叶，损失函数，短期负荷预测，核函数ApplicationofSVMtoposhort-termloadforecastYangJingfei,ChengHaozhong(DepartmentofElectricalEngineering,ShanghaiJiaotongUniversity,Shanghai,200030,China)Abstract:ThispaperintroducesFourieralgorithmandSVMalgorithmtoshort-termloadforecastingofpo.

3、Fouriermethodisappliedtogetridofthehighfrequencyharmonics.ThedataonicsarethenutilizedbythestatisticslearningmethodofSVM(supportvectormachines).Sampledataareconstitutedbyfilteringthehistoricaldatathroughclusteringmethod.Theobjectfunctiontakesboththefatnessofpredictionander

4、rorlossfunctionintoconsideration.Correspondingsoftloadofapracticalpo,andthefinalforecasterrorisloachines,Fourieralgorithm,lossfunction,short-termloadforecasting,kernalfunction0引言电力系统负荷预测是电网能量管理系统的重要内容，通过精确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。常用的方法有非线性回归、神经网

5、络法、时间序列法、模糊理论等。非线性回归和时间序列法在电网情况正常、生产和气象变化不大的时候预测效果良好，但不能考虑一些影响负荷的要素，如休息日、气象等，当这些因素发生突变时预测精度受到影响。神经网络和模糊理论考虑到了影响负荷的一些不确定因素，但没有彻底解决网络结构设计的难题，且需要较长的训练时间。SVM(支持向量机)是由Vapnik[1]最早提出的一种统计学习方法，近年来已经被成功地应用于语音识别、文字识别、时序数列预测等领域。研究显示，该统计学习方法具有学习速度快、全局最优和推广能力强的优点，其学习结果经常明显好于其它的模式识别和回归

6、预测方法。本文将SVM理论应用于电力系统短期负荷预测，既考虑了影响负荷的诸因素，又建立了完善的数学模型。SVM算法对与预测负荷曲线较平滑的系统，能够取得较理想的效果。但是，对于惯性较小、随机波动性较强的中小型电网，其效果相对较差。改进的方法是，先采用Fourier算法将历史负荷曲线分解为平滑曲线和随机波动曲线两部分，只采用平滑部分作为SVM的历史训练数据，能够取得更好的效果。1SVM线性回归模型假设有一组训练数据，共有l个，其中第i个数据包含变量和与之相对应的变量xi∈Rn和与之相对应的变量yi∈R，SVM定义了一种机器(machine)

7、,用于确定x到y的映射关系x→f(X,a),a为可调参数，通过对已知数据的学习来确定它。在线性回归中，定义映射函数f(x)=来代替线性回归中的，根据文献[1]，支持向量回归的算法就可以改写为：论文SVM与Fourier算法在电网短期负荷预测中的应用无论线性和非线性模型，都可采用内点法求解。3短期负荷预测的SVM与Fourier方法3.1样本及其输入输出量的选择本文采用SVM方法来解决短期负荷预测问题。对于训练样本，首先通过聚类找出和预测点在星期属性、节假日属性、预测时段都相同的数据作为SVM中的y值，相应的x值(即样本输入量)分为如下几类

8、：1)A={a1,a2,...,an}，预测日之前n日内的在预测时段的负荷数据2)B={b1,b2,...,bm}，预测日前一日预测时段之前m个时段的负荷数据3)C={c1,c2,...,cs