資源描述:
《基于svm組合預(yù)測在中長期電力負(fù)荷預(yù)測中應(yīng)用的論文》由會員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、摘要電力負(fù)荷預(yù)測是進(jìn)行電力系統(tǒng)發(fā)電規(guī)劃的重要依據(jù)。準(zhǔn)確的負(fù)荷預(yù)測有利于提高電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和可靠性。電力系統(tǒng)負(fù)荷的大小與多種因素有關(guān),未來負(fù)荷與所能利用的影響變量之間存在復(fù)雜的非線性關(guān)系。對中長期電力負(fù)荷進(jìn)行預(yù)測可為電網(wǎng)規(guī)劃提供重要依據(jù)。支持向量機(jī)是一種新的機(jī)器學(xué)習(xí)算法,對于一些諸如小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題都可以較好的解決。與短期電力負(fù)荷數(shù)據(jù)比起來,中長期電力負(fù)荷數(shù)據(jù)具有小樣本的特點(diǎn)。恰好支持向量機(jī)處理小樣本數(shù)據(jù)具有其他模型無法比擬的優(yōu)勢,且SVM回歸方法具有良好的擬合和外推能力。本文提出一個基于支
2、持向量機(jī)的中長期電力負(fù)荷組合預(yù)測模型及其求解步驟。在預(yù)測過程中,首先利用多個單一預(yù)測方法如趨勢預(yù)測模型,指數(shù)模型,非線性回歸模型,改進(jìn)的灰色GM(1,1)模型和改進(jìn)的灰色Verhulst模型構(gòu)成預(yù)測模型群,對原始電力負(fù)荷數(shù)據(jù)進(jìn)行擬合。然后,把預(yù)測模型群的擬合結(jié)果作為支持向量機(jī)回歸模型的輸入進(jìn)行二次預(yù)測,形成變權(quán)重的組合預(yù)測。本文對基于SVM的組合預(yù)測過程和參數(shù)計算進(jìn)行了詳細(xì)地探討。通過實(shí)例證明了本文提出的組合預(yù)測模型能較好地平衡擬合和外推,在某種程度上解決了傳統(tǒng)方法擬合優(yōu)而外推差的問題。此外,通過與多種預(yù)測方法進(jìn)行比較,基
3、于支持向量機(jī)的中長期電力負(fù)荷組合預(yù)測模型的預(yù)測精度明顯優(yōu)于單一預(yù)測模型和其它的組合預(yù)測模型。關(guān)鍵詞:支持向量機(jī);中長期電力負(fù)荷預(yù)測;組合預(yù)測:模型群:華北I乜力人學(xué)頌lj學(xué)位論文AbstractTheforecastingtomid-longtermloadcanprovideimportantevidencetothepowerplanning.Theaccurateloadforecastingcanimprovetheeconomicsandreliabilityofpowersystemoperation.Thel
4、oadisrelatedwithavarietyoffactors,thereisacomplexnonlinearrelationshipbetweentheloadandthefactors.Theforecastingtomid-longtermloadisimportantbecauseitCanprovideimportantevidencetothepowerplanning.Asanewmachinelearningalgorithm,supportvectormachine(SVM)cansolvesome
5、practicalissues,suchassmallsample,nonlinear,highdimensionandlocalminimumpoints,etc.Comparedwiththeshort-termelectricloaddata,thelong-termdatahasthecharacteristicsofsmallsamples.SVMhastheadvantagestothesmallsamplesthatothermodelscannotbecomparedwith,andtheSVMregres
6、sionmethodhasgoodcapabilityoffittingandextrapolation.Traditionalforecasttechniquesapplyasingleforecastertocarryoutthetask.However,thisforecastermightnotbethebestforallsituationsordatabases.AcombinationalmodelonthebasisofSupportVectorMachine(SVM)theoryisproposedint
7、hispaper.Duringtheprocessoftheforecast,severalsingleforecastingmethodssuchastrendpredictionmodel,exponentmodel,non—linearregressionmodel,improvedgreypredictivemodelandimprovedgreyverhulstpredictivemodel,areusedtoformamodelgroup,andthenthefittedresultsbydifferenttr
8、aditionalpredictivemodelsintimesequenceactastheinputofthesupportvectormachineregression(SVMR)model,thenbyrelativeSVMRapproachbasedonknowninputandoutputs