相空间重构和支持向量机结合的短期电力负荷预测研究

《相空间重构和支持向量机结合的短期电力负荷预测研究》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、相空间重构和支持向量机结合的短期电力负荷预测研究摘要近年来随着社会经济的发展，几乎所有的行业都对电力产生越来越旺盛的需求，在这个背景下对电网进行高精度的负荷预测可以更加精确的指导电厂的燃料供应工作计划，可以使得电网安全稳定运行。本文采用桂林市某地区的电力负荷作为研究对象。首先用混沌理论对负荷时间序列进行分析，然后用重构相空间的方法构造训练数据集和预测数据集。在此过程中使用改进的C-C方法求出嵌入维数和延迟时间。改进的C-C方法求解这两个参数过程简捷，同时也使得负荷预测的精度和准确度也有了提高。用小数据量法求出时间序列的最大李氏指数证明负荷数据具

2、有混沌特性。然后用支持向量回归算法对电力负荷数据进行模型训练和负荷预测，用粒子群优化算法搜索影响支持向量回归的关键参数的最优值，将搜索结果同交叉验证-分步网格搜索法确定的最优参数进行对比，对比结果说明粒子群优化算法和交叉验证-分步网格法都可以确定最优参数，并且粒子群优化算法节省了大量的计算时间。将采用结合混沌相空间重构和支持向量回归方法的电力负荷预测的结果同BP神经网络和时间序列分析法预测的结果进行对比，得出如下结论：一点是工作日期间这三种预测方法都能达到较好的预测效果；第二点是在负荷变化较大的周日和重大节假日期间，用混沌相空间重构和支持向量回

3、归结合的方法进行预测，相比于BP神经网络和时间序列分析法有较大的优势。最后，考虑到在Matlab平台对电力负荷数据进行分析处理以及预测的过程中存在大量繁琐操作的缺点，设计了电力负荷的MatlabGUI预测系统。该负荷预测系统可以快速导入、显示和处理数据，大大提高了对电力负荷数据进行预测的效率。关键词：电力负荷预测，混沌相空间重构，支持向量机，粒子群优化，MatlabGUIShort-TermPowerLoadForecastingbasedonPhaseSpaceReconstructionandSupportVectorMachineAbst

4、ractInrecentyears,withthedemandforelectricityincreasinglystronginalmostallindustries.Therefore,highlyaccuratepredictionsoftheloadonthegridcansupportmorepreciseworkofpowerplantfuelsupplyandcanmakethepowerplantsystemsecureandstable.ThisthesisfocusesonthepowerloadofacityinGuili

5、n.First,analyzetheloadtimeseriesusingthechaostheory,andconstructthetrainingdatasetandthepredictiondatasetemployingphasespacereconstructionmethod.EmbeddingdimensionanddelaytimeareobtainedbyimprovedC-Cmethod.Thismethodcanmakethesolvingprocessofdelaytimeandembeddingdimensionsim

6、pleaswellasimprovetheprecisionandaccuracyoftheloadforecasting.ThemaximumLyapunovindexobtainedbythesmallamountofdataalgorithmprovesthattheloadtimeserieshasthecharacteristicsofchaos.Thenconductmodeltrainingandpowerloadforecastingareusingthesupportvectorregressionalgorithm.Ands

7、earchingfortheoptimalvalueinfluencingonthekeyparametersofsupportvectorregressionemployingtheparticleswarmoptimizationalgorithm.Comparetheoptimalparametersobtainedbytheparticleswarmoptimizationalgorithmwiththatobtainedbythecrossvalidation-stepgridsearchmethod.Thecomparativere

8、sultsshowthatthetwoalgorithmscanbothobtaintheoptimalparametersmeanwhiletheP