支持向量机在电力负荷预测中的应用研究

《支持向量机在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、27卷第8期计算机仿真2010年8月文章编号：1006—9348(2010)08—0282—04支持向量机在电力负荷预测中的应用研究蒋塘(沈阳汽车工业学院，辽宁沈阳110015)摘要：研究电力系统负荷预测问题，针对电力负荷过程存在非线性技术，为提高预测精度，保hE安全供电，改变传统方法，提出改进支持向量机的预测性能，更精确地预测电力负荷，提出粒子群算法优化支持向量机(PSO—SVM)的电力负荷预测方法。PSO—SVM用粒子群算法优化支持向量机参数，减少r对支持向量机参数选择的盲目性。获得较优的支持向景机预测模璎。并以贵州省为例在2008．7—2

2、009．7电力负荷数据进行测试和分析，并进行仿真。实验结果表明，在电力负荷预测中，PSO—SVM比SVM和BPNN有着更高的预测精度，测试表明PSO—SVM方法用于电力负荷预测是有效町行的。关键词：粒子群箅法；支持向量机；电力负荷预测中图分类号：TP311；1∞Ol文献标识码：BResearchonPowerLoadForecastingBaseonSupportVectorMachinesJIANGZhe(TheAutomobileIndustryCollegeofShenyang，ShenyangLiaoning110015，P．R．Chi

3、na)ABSTRACT：Researchonpowerloadforecastingbaseonsupportvectormachinesisallimportantproblem．Inordertoimprovetheforecastingperformanceofsupportvectormachinesandtoforecastthepowerloadmoreaccurately，anewmethodforexchangeratetimeseriesforecastingwasproposed，inwhichparticleswarmop

4、timizationisusedtodeterminefreeparametersofsupportvectormachines．IX30isanintelligentswa．nnoptimizationmethod，whichde·rivesfromtheresearchforbehaviorofbirdflocking．Themethodnotonlyhasstrongglobalsearchcapability，butalsoisveryeasytoimplement．Thus，particleswarmoptimizationissui

5、tabletodeterminetheparametersofsupportvectormachine．Thepowerloaddatafrom2008．7to2009．7ofGuizhouareusedtotestifyandanalyzetheperformanceoftheproposedmodel．TheresultshowsthatSVMbasedonparticleswarmhasbothfasttrainingspeedandsmallhum—betoferrors．Theforecastprecisionhasalsobeens

6、ignificantlyimproved，thusprovingthevalidityofthismodelforpowerloadforecasting．KEYWORDS：Particleswarm；Supportvectormachine；Powerloadforecasting1引言电力系统负荷预测无论是对于制订电力系统规划还是实现电力系统自动化、安全发供电等都有着十分重要的意义⋯。迄今为止，人们已经将很多种方法用于负荷预测领域，并取得了不同程度的成功。这些方法大致可分为两类：传统预测方法和人工智能方法。传统的短期负荷预测方法以趋势时间序

7、列法、外推法、灰色模型法等为主，这些算法的原理简单、速度快忙o。但由于电力负荷变化过程是一个高度基金项目：辽宁省”十一五”教育科学规划项目(辽教函[2006]8号)；沈阳市总工会科技计划(2009SR023427)收稿日期：2010—03—10修回日期：2010—04—20-—-——282．-———复杂的非线性过程，传统方法难以建立有效的数学模型，致使预测结果精度不高。人j：智能方法主要包括号家系统、模糊逻辑方法"1和人工神经网络方法等HJ。这些方法有着成熟的理论基础，在实际电力系统中都有应用，然而它们也都有各自的缺陷，实际预测效果并不理想。随

8、着预测理论的不断发展，基于统计学习理论的支持向量机采用结构风险最小化原则，克服r神经网络的过拟合、收敛速度慢、容易陷入局部极值等缺点，泛化推广能力优异