資源描述:
《PCA-SVM在電力負(fù)荷預(yù)測中的應(yīng)用研究》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、第27卷第lO期計算機仿真2010年10月文章編號:1006—9348(2010)10—0279—04PCA—SVM在電力負(fù)荷預(yù)測中的應(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)測問題,傳統(tǒng)方法無法消除數(shù)據(jù)之間冗余及復(fù)雜特征,導(dǎo)致預(yù)測精度較低。為了提高電力負(fù)荷預(yù)測精度,提出一種基于主成份分析(PCA)的支持向量機(SVM)電力負(fù)荷預(yù)測方法(PCA—SVM)。首先利用主成分分析對電力負(fù)荷的影響因素進(jìn)行處理,消除各時素之間的高度冗余性,通過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)測精度,然后利用支持向量機,對保留的豐成成分進(jìn)行建模預(yù)測。最后利用PCA—SVM模型對華東地區(qū)1978—1998的電力負(fù)荷進(jìn)行了驗證性測試和分析。實驗結(jié)果表明,相對于各參比模型,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)測精度。PCA—SVM是一種高效、高精度的電力負(fù)荷預(yù)測方法。關(guān)鍵詞:主成分分析;支持向量機;電力負(fù)荷預(yù)測中圉分類號:TP391.9文獻(xiàn)標(biāo)識碼: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、測是電網(wǎng)規(guī)劃決策的基礎(chǔ),是電力市場化的前提,預(yù)測的準(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)運行的經(jīng)濟性,對電力部門提高經(jīng)濟效益有著重要的意義¨J。傳統(tǒng)的電力負(fù)荷預(yù)測方法根據(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)荷模式看成時間序列信號的時間序列法,如自回歸模型(AR)、滑動平均模型(MA)、自回收稿日期:2010—04—21修回日期:2010—05—31歸滑動平均(ARMA)、累積式自回歸動平均(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)測法等膽J。由于電力負(fù)荷是一個隨機的非平穩(wěn)過程,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)測精度不理想p1。近年來,基于人工智能的神經(jīng)網(wǎng)絡(luò)等模型在