SVM与神经网络的组合模型在短期电力负荷预测中的应用研究

《SVM与神经网络的组合模型在短期电力负荷预测中的应用研究》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、分类号：TM714单位代码：10183研究生学号：2015552053密级：公开吉林大学硕士学位论文（学术学位）SVM与神经网络的组合模型在短期电力负荷预测中的应用研究Researchonshort-termpowerloadforecastingbasedoncombinationmodelofSVMandneuralnetwork作者姓名：金樑专业：电工理论与新技术研究方向：智能电网神经网络指导教师：王永志教授培养单位：仪器科学与电气工程学院2018年6月————————————————————————————SVM与神经网络的组合模型在短期电力负荷预测中的应用研究————————

2、————————————————————————Researchonshort-termpowerloadforecastingbasedoncombinationmodelofSVMandneuralnetwork————————————————————————————————作者姓名：金樑专业名称：电工理论与新技术指导教师：王永志教授学位类别：工学硕士答辩日期：2018年5月27日未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用(但纯学术性使用不在此

3、限)。否则，应承担侵权的法律责任。吉林大学硕士学位论文原创性声明本人郑重声明：所呈交的硕士学位论文，是本人在指导教师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：2018年6月10日摘要SVM与神经网络的组合模型在短期电力负荷预测中的应用研究随着我国电力事业蓬勃发展，用户用电情况愈发复杂，准确电力负荷预测精度更加难以保证，同时可再生能源发电的并网使得提升负荷预测精度成为一个亟待解

4、决的问题。目前常规预测方法的应用场景往往较为单一，数据规模对算法影响较大，且智能程度有待提升。为此，本文设计了一种组合短期电力负荷预测模型，算法模型组合了基于支持向量机（SVM）预测方法及基于长短记忆神经网络（LSTM）预测方法，利用BP神经网络组合吸收二种算法优点，最终实现模型预测精度高于组合前算法。首先，本文列举短期电力负荷预测常用算法，分析各个算法适应场景及其优缺点；阐述本文使用的支持向量机、神经网络等模型的原理，并针对电力负荷预测需求提出对算法模型的优化方式。其次，设计了融合多个算法的组合模型，提出了组合算法思想并设计了组合框架，分别阐述组合模型各部分的搭建及优化手段；设计了使

5、用自组织神经网络及孤异森林的数据处理流程，并采用这一手段对数据进行了预处理；搭建了算法的训练网络，确定了组合神经网络参数。第三，采用大数据技术，设计了基于HDFS、HBase的电力负荷数据库，可实现非结构化文件类型的电力负荷数据、键-值对形式的负荷数据的存储管理，以及数据内容查找、异常负荷数据文件快速定位，保证搭建的预测模型拥有弹性可伸缩的数据源。最后，基于机器学习与深度学习框架，编程实现各算法并使用真实数据进行实验，分别验证基于SVM支持向量机的预测模型、LSTM长短记忆网络模型以及组合预测模型的有效性。验证结果表明，组合模型的算法最终预测误差一般低于2%，算法模型可作为电力负荷的智

6、能化分析与预测的有效工具手段。关键词：SVM，神经网络，短期电力负荷预测，组合预测IAbstractResearchonshort-termpowerloadforecastingbasedoncombinationmodelofSVMandneuralnetworkWiththevigorousdevelopmentofChina'spowerindustry,thesituationofuserpowerconsumptionisbecomingmoreandmorecomplex.Theaccuracyofpowerloadforecastingismoreandmorediff

7、iculttoguarantee.Atthesametime,thegridconnectionofrenewableenergygenerationmakesitveryurgenttoimprovetheaccuracyofloadforecasting.Therefore,ashort-termloadforecastingmodelisdesignedinthispaper,whichcombinessupportvectorpredi