資源描述：
《SVM與Fourier算法在電網(wǎng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第32卷第4期繼電器Voi.32No.42004年2月16日RELAYFeb.16，200417SVM與Fourier算法在電網(wǎng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用楊鏡非，謝宏，程浩忠（上海交通大學(xué)電氣工程系，上海200030）摘要：將Fourier（傅立葉）算法與SVM（支持向量機(jī)）共同引入電網(wǎng)短期負(fù)荷預(yù)測(cè)。對(duì)于波動(dòng)性較大的負(fù)荷，F(xiàn)ourier算法用于濾除高次諧波分量。SVM用于對(duì)濾除了高次分量的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)習(xí)，它首先篩選與預(yù)測(cè)點(diǎn)相關(guān)的歷史數(shù)據(jù)構(gòu)成訓(xùn)練樣本，再將預(yù)測(cè)的平滑性和誤差損失函數(shù)相結(jié)合構(gòu)成問題的目標(biāo)函數(shù)進(jìn)行求解。編制了相應(yīng)的軟件，對(duì)某實(shí)際電網(wǎng)進(jìn)行了短期負(fù)荷預(yù)測(cè)，取得了理
2、想的結(jié)果。關(guān)鍵詞：負(fù)荷預(yù)測(cè)；支持向量機(jī)；傅立葉算法；損失函數(shù)；核函數(shù)中圖分類號(hào)：TM715文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-4897（2004）04-0017-03SVM算法對(duì)于預(yù)測(cè)負(fù)荷曲線較平滑的系統(tǒng)，能0引言夠取得較理想的效果。但是，對(duì)于慣性較小、隨機(jī)波電力系統(tǒng)負(fù)荷預(yù)測(cè)是電網(wǎng)能量管理系統(tǒng)的重要?jiǎng)有暂^強(qiáng)的中小型電網(wǎng)，其效果相對(duì)較差。改進(jìn)的內(nèi)容，通過精確的負(fù)荷預(yù)測(cè)，可以經(jīng)濟(jì)合理地安排機(jī)方法是，先采用Fourier算法將歷史負(fù)荷曲線分解為組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計(jì)劃，降平滑曲線和隨機(jī)波動(dòng)曲線兩部分，只采用平滑部分低發(fā)電成本，提高經(jīng)濟(jì)效益。常用的方法有非線
3、性作為SVM的歷史訓(xùn)練數(shù)據(jù)，能夠取得更好的效果?；貧w、神經(jīng)網(wǎng)絡(luò)法、時(shí)間序列法、模糊理論等。非線1SVM線性回歸模型性回歸和時(shí)間序列法在電網(wǎng)情況正常、生產(chǎn)和氣象變化不大的時(shí)候預(yù)測(cè)效果良好，但不能考慮一些影假設(shè)有一組訓(xùn)練數(shù)據(jù)，其中第i個(gè)數(shù)據(jù)包含變量n響負(fù)荷的要素，如休息日、氣象等，當(dāng)這些因素發(fā)生xiER和與之相對(duì)應(yīng)的變量yiER，SVM定義了一種突變時(shí)預(yù)測(cè)精度受到影響。神經(jīng)網(wǎng)絡(luò)和模糊理論考機(jī)器（machine），用于確定x到y(tǒng)的映射關(guān)系Xf慮到了影響負(fù)荷的一些不確定因素，但沒有徹底解（X，!），!為可調(diào)參數(shù)，通過對(duì)已知數(shù)據(jù)的學(xué)習(xí)來確決網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的難題，且需要較長(zhǎng)的訓(xùn)練
4、時(shí)間。定它。在線性回歸中，定義映射函數(shù)（fx）="，x［1］nSVM（支持向量機(jī)）是由Vapnik最早提出的+b，"ER，yER，并要求：1）找到最小的"以保證一種統(tǒng)計(jì)學(xué)習(xí)方法，近年來已經(jīng)被成功地應(yīng)用于語曲線的平滑性，一種常用的方法是使得"的歐氏二范音識(shí)別、文字識(shí)別、時(shí)序數(shù)列預(yù)測(cè)等領(lǐng)域。研究顯數(shù)最??；2）映射的誤差在允許的#范圍之內(nèi)?？梢允?，該統(tǒng)計(jì)學(xué)習(xí)方法具有學(xué)習(xí)速度快、全局最優(yōu)和推寫成下列數(shù)學(xué)模型：廣能力強(qiáng)的優(yōu)點(diǎn)，其學(xué)習(xí)結(jié)果經(jīng)常明顯好于其它的12minimize"（1）模式識(shí)別和回歸預(yù)測(cè)方法。本文將SVM理論應(yīng)用2于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)，既考慮了影響負(fù)荷的諸yi-
5、"，xi-b#subjectto{）因素，又建立了完善的數(shù)學(xué)模型。"，xi+b-yi#（2Amethodofpowersystemshort-termloadforecastingbasedonfuzzywaveletneuralnetworksWANGXin-xiu，WUYao-wu，XIONGXin-yin，HUANGA-giang（HuazhongUniversityofScienceandTechnoiogy，Wuhan430074，China）Abstract：Anoveishort-termioadforecastingmodeibasedonfuzzy
6、waveietneurainetworks（FWN）ispresentedinthispaper.Be-causeFWNcombinesthetime-freguencyiocaiizationabiiityofwaveiet，fuzzyinferringandtheeducationcharacterofANNtogether，itsabiiitytoreachthegiobaibestresuitsisgreatiyimproved.TheFWNinciudesasetoffuzzyruiesandseveraisub-WNNs.Everysub-WNN，cor
7、respondingtoacertainfuzzyruie，consistsofwaveietswithaspecifieddiiation.Byadjustingthetransiationparametersofthewaveietsandtheshapeofmembershipfunctions，theaccuracyandgeneraiizationcapabiiityofFWNcanberemarkabiyimproved.Thecaicuiationresuitshowsthatthepresentedmodeiiseffective.Keyword
