支持向量机回归在短期电力负荷预测中应用的论文的研究

《支持向量机回归在短期电力负荷预测中应用的论文的研究》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、支持向量OLIaJ归和短期f乜力负荷顶测中的应用研究中文摘要支持向量机回归在短期电力负荷预测中的应用研究中文摘要随着我国电力行业的蓬勃发展，电网管理技术的只趋进步，关于电力系统负荷预测问题的研究也引起了人们愈来愈多的关注。如何有效地进行电力负荷预测，已经成为现代电力系统研究中的重要课题之一。本文主要针对电力系统短期负荷预测进行研究与探讨。建立在统计学习理论基础上的支持向量机(SVM)不仅具有结构简单的优点，而且推广能力较传统模型有显著提高，因此能够很好的解决实际应用中小样本学习问题。目前关于SVM的理论研究和实际应用都处于快速发展阶段，成为机器学习领域的研究热点。本文

2、所做的工作主要包括如下几个方面：(1)本文首先对电力负荷预测和SVM的研究现状进行综述，并简单介绍了目前具有代表性的电力负荷预测模型，接着对支持向量回归(SVR)相关理论进行详细的描述。(2)支持向量回归在实际应用中存在两大难点，即特征选择和参数的优化。本文针对这两大难点，设计了一种新的基于GA-IPSO的SVR预测模型，目的是获得更好的学习性能与预测精度。该模型的主要设计思路为：①特征选择：基于遗传算法的特征选择方法：②参数的优化：本文对基本PSO算法进行改进，并将该改进算法用于SVR的参数优化。(3)考虑到广义自回归条件异方差(GARCH)模型适应于波动性的分析和

3、预测以及SVR模型具有良好的泛化能力的特性，本文提出一种SVR与GARCH模型相结合的新组合预测模型，旨在提高模型的预测精度。在此基础上，本文给出仿真实例。通过对仿真结果的分析，验证本文所构建模型的有效性。关键词：电力系统，负荷预测，支持向量机回归，广义自回归条件异方差模型作者：程远虎指导教师：伏玉琛AbstractResearchonSupportVectorRegressioninpredictionoftheshort-termloadofPowerSystcmResearchonSupportVectorRegressioninpredictionofthes

4、hort-termloadofPowerSystemWiththerapiddevelopmentofpowerindustryandtheadvanceofthepowermanagementtechnology,researchOffloadforecastingofpowersystemraisesmoreandmoreattention．Howtopredictloadforecastingofpowersystemeffectivelyhasbecomeanimportantissue．Thisthesisintroducessupportvectorreg

5、ression(SVR)intotheshort-termloadofpowersystem．Basedonstatisticallearningtheory,supportvectormachine(SVM)notonlyhastheadvantagesofsimplestructure，butalsothegeneralizationability,SOitCallsolvesmallsamplelearningproblemswell．ThetheoreticalstudyandthepracticalapplicationofSVMaregrowingrapi

6、dlycurrently，andSVMhasbecomefocusinthefieldofmachinelearning．Themainworkofthisthesisissummarizedasfollowings：(1)ThethesissummarizesthecurrentstudyofloadforecastingofpowersystemandSVM，andlistssomerepresentativemodelsofloadforecastingofpowersystem．Thenwedescribethetheoryofsupportvectorreg

7、ressionindetails．(2)TherearetwodifficultiesinthepracticalapplicationofSVM：featureselectionandparametersoptimization．Inordertoobtainbetterlearningperformanceandpredictionaccuracy,themodelwedesignrelatestotwoideas：①featureselection：wechooseeffectivefeaturebasedongeneticalgorithm；