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
