遗传优化支持向量机在电力负荷预测中的应用

《遗传优化支持向量机在电力负荷预测中的应用》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、第29卷第3期计算机仿真2012年3月文章编号：1006—9348(2012)03一0348—03遗传优化支持向量机在电力负荷预测中的应用庄新妍(呼伦贝尔学院，内蒙古呼伦贝尔021008)摘要：研究电力负荷准确预测问题，电力负荷与影响因子之间呈现复杂非线性关系，传统预测方法无法刻画其变化规律，预测精度低。为提高电力负荷预测精度．提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向鼍机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系．并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990一20

2、08年电力负荷数据仿真测试。结果表明．遗传优化支持向量机提高了电力负荷的预测精度，预测平均误差低于其它对比模型，电力负荷预测提供了一种新的研究思路和途径。关键词：最小二乘支持向量机；自适应遗传算法；电力负荷；预测中图分类号：TKl6文献标识码：BApplicationofSupportVectorMachineOptimizedbyGeneticAlgorithminElectricloadPredictionZHUANGXin—van(HulunbeierCollege，InnerMongoliaHulunbuier02l00

3、8，China)ABSTRACT：Studypowerloadforecasting．LoadaIldimpactf{地torhavecomplex∞rIlinear陀lation，龃dthe妇di-tionalforecastiIlgmetllodc舳notdescribethechangenlle，whichleadstolowaccuracy0fprediction．Inordertoim—provetheaccufacyofloadf抽c鹊ting，thep印erpmposedanelectricpowerloadfbr

4、ec船tmodelbased0ngenetic叩ti．mizationofsupportvectormachi舱．ne∞nlinear印pr锨imationc叩abilityofleastsquaressupportvectormachinew鹊usedtodesc曲etllepowerloadandinnuencefactorsincomplexnonlinearrelation，andtheadaptivegeneticalgo-rithmw鹅usedtooptimizetllep啦meters0fle鹪tsquaressu

5、pportvectormachines．Apmvince’spowerloaddataof1990～2008ye盯wereusedf撕simulaljo玎test．111eresultsshowlllatthesupportvectormachinecanjmprovet11eprecisionofloadforecast，andtlIeavemgeforec踮tingerrorislesst11anotllercontr丑stmodels．KEYWORDS：I．S—SVM；AGA；Electricload；Prediction

6、1引言电力负荷预测是电力系统中的一个重要研究课题，预测结果可以为电网调度自动控制提供决策辅助作用。其预测精度对电力系统的经济效益起着重要的影响⋯。目前，传统电力负荷预测方法主要回归分析法、时间序列分析方法，这些方法都是基于线性规律进行建模．而电力负荷与经济、气象、社会活动、工业、农业等多种因素有关，而且它们之间存在非线性关系，很难用这些传统建模方法对电力负荷变化规律进行准确而全面描述¨。]。近年来，有些研究人员采用非线性预测能力十分优异的神经网络建立电力负荷非线性预测模型。取得了不错的预测效果[5]。但也存在以下缺点：不适合信息

7、有限的小样本，当样本较小时，容易出现过拟合；迭代过程容易陷入局部极小难以确定网络结构收稿日期：加1l—ll—10—348一等[6]。最小二乘支持向量机(Ls—svM)算法有效的解决了神经网络存在的过拟合缺陷。最适合小样本预测。且模型的学习泛化能力优异。广泛应用于各个预测领域。7]。在实际应用中，参数直接决定LS—sVM的泛化推广能力，但是目前还缺乏有效参数优化方法，Ls～SvM参数的选择主要依赖于人的主观经验，导致模型预测精度波动比较大，预测结果不稳定⋯。为了提高电力负荷预测的精度，提出通过采用LS—SvM与自适应遗传算法(ad

8、印tivegeneticalgorit}Im，AGA)相结合建立电力负荷预测模型。利用AGA快速、全局搜索能力等特点对玛一SVM的参数进行优化．然后对具体电力负荷数据进行建模预测，并与传统BP神经网络和常规Ls—sVM进行比较，分析该模型用于电力负荷预测可行性和