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