基于自适应加权最小二乘支持向量机的短期负荷预测方法

《基于自适应加权最小二乘支持向量机的短期负荷预测方法》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、维普资讯http://www.cqvip.com2007年6月吉林电力Jun．2007第35卷第3期(总第190期)JilinElectricPowerVo1．35No．3(Ser．No．190)基于自适应加权最小二乘支持向量机的短期负荷预测方法AnAdaptiveWeighedLS—SVMApproachforSTLF杨春玲，李天云，王爱凤(1．安徽电气工程职业技术学院，安徽合肥230051；2．东北电力大学，吉林吉林132012)摘要：提出了一种基于自适应加权最小二乘支持向量机(AWLS—SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学

2、习基础上，先用自适应参数优化法整定最小二乘支持向量机的参数，确定最优参数对，然后针对各样本重要性的差异，赋予每个样本惩罚参数不同的加权系数，建立了具有良好推广性能的AWIS—SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性，具有结构简单，泛化性能好，不易发生过拟合现象等优点。通过对真实数据的建模预测，证明了该法在短期负荷预测中的可行性和有效性。关键词：短期负荷预测；自适应参数优化法；最小二乘支持向量机Abstract：Anewmethodbasedonadaptiveweighedleastsquaressupportvectormachine(AWLS

3、—SVM)forthepowersystemshort—termloadforecastingwaspresented．Onthebasisofanalyzingknownloaddataandeffectfactors．parameterofLS—SVMissetbyadaptiveparameteroptimizationmethodandoptimalparameterpairisdecidedfirstly，theneachtrainingsample’Spenaltywithdifferentweighedcoefficientisendowedaccord

4、ingtoimportanceofeachtrainingsample，andAdaptiveWeighedLS—SVMmodelforregressionwithexcellentgeneralizationperformanceisestablished．Thismethodemphasizedcharacteristicofdifferenttrainingsamplehavingdifferentcontribution，andwithprominentadvantagesofsimplestructure，excellentgeneralizationper

5、formance，andoverfittingbeingunlikelytOoccur．AnalysisoftheforecastingresultsofrealdataprovedthatthisapproachisfeasibleandeffectiveinSTLFKeywords：STLFfadaptiveparameteroptimizationmethod~LS-SVM中图分类号：TM715文献标识码：A文章编号：1009—5306(2007)03—0018—03短期负荷预测是电力系统的一项基本工作，其现了良好的学习性能。Suyken等人首先提出的最小预测精

6、度直接影响电力系统的经济效益。长期以来，二乘支持向量机(LeastSquaresSupportVector人们对电力系统短期负荷预测进行了广泛而深入的Machine，LS—SVM)是近年来机器学习领域的重研究，提出了许多有效的方法，如回归分析法、模糊要成果之一。其训练过程遵循结构风险最小化原则，逻辑推理法、小波分析法、混沌模型法、人工神经网结构参数在训练过程中根据样本数目被自动确定，络法和支持向量机法(SVM)。等。支持向量机是不易发生过拟合现象，它把支持向量机的学习问题由Vapnik。在统计学习理论的基础上提出的一种转化为解线性方程组问题，不存在局部极小值问题，新的

7、通用学习方法。它基于结构风险最小化提高了收敛速度，简化了计算。(StructuralRiskMinimization)原则，不同于神经网本文应用自适应加权最小二乘支持向量机络的经验风险最小化(EmpiricalRisk(AdaptiveWeighedLeastSquaresSupportVectorMinimization)，能较好地解决小样本、非线性、高维Machine，AWLS—SVM)进行电力系统短期负荷预数和局部极小点等实际问题，SVM方法最初是针对测。该法继承了最d,-乘支持向量机LS—SVM的优模式识别问题提出来的，随着不敏感损失函数的引