資源描述：
《PCA-SVM在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究》由會(huì)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(kù)。
1、第27卷第lO期計(jì)算機(jī)仿真2010年10月文章編號(hào)：1006—9348(2010)10—0279—04PCA—SVM在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究石海波(江蘇大學(xué)，江蘇鎮(zhèn)江212001)摘要：研究電力負(fù)荷預(yù)測(cè)問(wèn)題，傳統(tǒng)方法無(wú)法消除數(shù)據(jù)之間冗余及復(fù)雜特征，導(dǎo)致預(yù)測(cè)精度較低。為了提高電力負(fù)荷預(yù)測(cè)精度，提出一種基于主成份分析(PCA)的支持向量機(jī)(SVM)電力負(fù)荷預(yù)測(cè)方法(PCA—SVM)。首先利用主成分分析對(duì)電力負(fù)荷的影響因素進(jìn)行處理，消除各時(shí)素之間的高度冗余性，通過(guò)提取樣本集的主成分完成數(shù)據(jù)預(yù)處理，有效地壓縮樣本集的維數(shù)，加快SVM
2、學(xué)習(xí)速度并提高預(yù)測(cè)精度，然后利用支持向量機(jī)，對(duì)保留的豐成成分進(jìn)行建模預(yù)測(cè)。最后利用PCA—SVM模型對(duì)華東地區(qū)1978—1998的電力負(fù)荷進(jìn)行了驗(yàn)證性測(cè)試和分析。實(shí)驗(yàn)結(jié)果表明，相對(duì)于各參比模型，PCA—SVM模型可以有效地降低樣本集的維數(shù)，提高負(fù)荷預(yù)測(cè)精度。PCA—SVM是一種高效、高精度的電力負(fù)荷預(yù)測(cè)方法。關(guān)鍵詞：主成分分析；支持向量機(jī)；電力負(fù)荷預(yù)測(cè)中圉分類號(hào)：TP391．9文獻(xiàn)標(biāo)識(shí)碼：BPowerLoadForecastingBasedonPrincipalComponentAnalysisandSupportVector
3、MachineSHIHai—bo(JiangsuUniversity，ZhenjiangJiangsu212001，China)ABSTRACT：Researchingaboutpowerloadforecastingproblems．a(chǎn)ffectingfactorsofpowerloadexisthishlyredun-dantfeatures，traditionalmethodcannoteliminatedataredundancy，thenpredictionaccuracyisverylow．Inordertoimp
4、rovetheaccuracyofpowerloadforecasting．Anewmethodispmposedbasedonprincipalcomponentartalysis(PCA)andsupportvectormachine(SVM)．Firsdy，principalcomponentanalysis，whichCaneliminatethenonlin-earityofvariables，isusedtoaccomplishdatapreprocessingbye，【tractiIlgcharacteristi
5、cinformationfromtrainingdataset，thenusingthesupportvectormachinepredictionpowerloaddata．eastChinaoureaof1978—1998powerloadistestandverifiedbyPCA—SVM，thetestresultsrevealthatPCA—SVMhasimprovepredictionaccuracyincreasedsignificantlycomparedwitIlthereferencemodels．theP
6、CA—SVMalgorithmhasgoodperformancesinreducingthedimensionoftheinputspaceswellasincreasingforeeastingaccuracy．PCA—SVMisakindofhi【ghefficient，hi．shpowerloadforecastingmethodsKEYWORDS：Principalcomponentanalysis(PCA)；Supportvectormachine(SVM)；Powerloadforecasting1引言電力負(fù)荷預(yù)
7、測(cè)是電網(wǎng)規(guī)劃決策的基礎(chǔ)，是電力市場(chǎng)化的前提，預(yù)測(cè)的準(zhǔn)確與否直接關(guān)系到能否為用戶提供安全優(yōu)質(zhì)的電力以及能否保證系統(tǒng)運(yùn)行的經(jīng)濟(jì)性，對(duì)電力部門(mén)提高經(jīng)濟(jì)效益有著重要的意義¨J。傳統(tǒng)的電力負(fù)荷預(yù)測(cè)方法根據(jù)它們所使用的技術(shù)，一般可以分為兩大類。一種是把負(fù)荷模式看成時(shí)間序列信號(hào)的時(shí)間序列法，如自回歸模型(AR)、滑動(dòng)平均模型(MA)、自回收稿日期：2010—04—21修回日期：2010—05—31歸滑動(dòng)平均(ARMA)、累積式自回歸動(dòng)平均(ARIMA)[21。另一種是認(rèn)為負(fù)荷模式主要與天氣的變化有關(guān)，并且找到天氣變量與系統(tǒng)負(fù)荷之間的函數(shù)關(guān)系
8、的回歸分析法等，如彈性系數(shù)法、灰色模型法、模糊預(yù)測(cè)法等膽J。由于電力負(fù)荷是一個(gè)隨機(jī)的非平穩(wěn)過(guò)程，受到溫度、天氣狀況等多種因素的影響，各因素之間旱高度的非線性關(guān)系，傳統(tǒng)方法不能很好地分析和擬合高度非線性多因素的電力負(fù)荷，預(yù)測(cè)精度不理想p1。近年來(lái)，基于人工智能的神經(jīng)網(wǎng)絡(luò)等模型在
