基于支持向量机的短期电力负荷预测方法研究

《基于支持向量机的短期电力负荷预测方法研究》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、摘要短期负荷预测是电力系统安全经济运行的前提，随着分时电价方式的推广和电力市场化改革的深入，电力公司力求及时、准确地把握负荷变化的信息，对负荷预测的重要性和迫切性提到了前所未有的高度，同时也对负荷预测的精度提出了更高的要求，这必将推动我国对负荷预测新方法、新技术的研究。负荷预测方法大致可分为两大类。一类是以时间序列法为代表的传统方法；另一类是以人工神经网络法为代表的新型人工智能方法。本文分析了支持向量机的基本原理，支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点。针对电力系统负荷与各种影响因素之间的非线性关系，本文利用支持向量机优越的非线性学习及预测性能，

2、针对短期负荷预测的各种影响因素的非线性特性，提出基于支持向量机的电力系统短期负荷预测新方法，以提高预测精度和时效性，本文建立了基于支持向量机的短期负荷预测模型，并与神经网络方法作了实例分析比较，结果表明基于支持向量机的负荷预测精度和速度要优于神经网络方法。在基于支持向量机的预测问题中，特征选择可以降低学习问题的复杂性，提高学习算法的泛化能力，并简化学习模型，从而具有重要的意义。F．score特征选择是一种从众多特征中找出那些对分类识别最有效的特征，从而实现特征空间维数的压缩。本文提出了一种将F．score特征选择与支持向量机相结合的预测方法，该方法采用F．score特征

3、选择减少输入特征维数之后再送入支持向量机进行建模，这样既结合了F—score的特征选择能力又利用了SVM良好的非线性函数逼近能力，从而改善了预测模型的精度和泛化能力。仿真试验表明：这种基于F—score特征选择与支持向量机相结合的预测方法不仅提高了预测精度而且由于降低了输入维数也提高了预测的速度。关键词：电力系统短期电力负荷预测支持向量机F．score特征选择ⅡAbstractThedailyoperationandplanningactivitiesofanelectricutilityrequiresthepredictionoftheelectricaIdeman

4、dofitscustomers．Ingeneral．therequiredlpadforecastscanbecategorizedintoshort—term，mid．term，andlong．termforecasts．Thequalityofshort—termlpadforecastshasasignificantimpactontheeconomicoperationoftheelectricutilitysincemanydecisionsbasedontheseforecastshavesignificanteconomicconsequences．The

5、importanceofaccuratelpadforecastswillincreaseinthefuturebecauseofthedramaticchangesoccurringinthestructureoftheutilityindustryduetoderegulationandcompetition．Thisenvironmentcompelstheutilitiestoopcrateatthehighestpossibleefficiency,whichasindicatedaboverequiresaccurateloadforecasts．Gener

6、ally,therearetwokindsofmethodologl‘esforloadforecasting．Oneisinatraditionalway,representedbytimeseries．anotheroneiStermedasnewartificialintelligencemethod．representedbytheartificialneuralnetwork．1’11iSP叩el"analysesthebasictheoriesofSVM．SVMhavetheremarkableadvantagesofnon—linearregression

7、．highforecastingaccuracyandsmalltimecomplexity．Accordingthenon—linearrelationshipbetweentheforecastinglpadanditsinfluencefactors，ThisPaporproposestouseitsadvantagesofnon．1inearprocessingandgeneratingabilitytoaccomplishshort-termloadforecastingofpowersystem，SOastoimprovefo