基于聚类分析与SVM的电力短期负荷预测研究

电力系统短期负荷预测是电力系统安全和经济运行的重要依据,随着价格竞争机制的引入和电力市场改革的深入,电力部门对短期负荷预测的精度提出了更高的要求。支持向量机是一种新型的机器学习方法,具有全局最优、结构简单、推广能力强等优点,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。然而支持向量机在进行大数据量的负荷预测时存在数据噪声、收敛速度慢等缺点,针对这些缺点,本文提出了一种利用聚类分析选择相似日,结合支持向量机进行短期负荷预测的新方法,以保证数据特征的一致性,提高短期负荷预测的精度和速度。 本文首先全面、系统地阐述了短期负荷预测的研究现状,分析了各种短期负荷预测方法的优劣。接着详细介绍了聚类分析理论和SVM回归理论。随后针对负荷预测的地域特性,对长沙地区的负荷特性进行了深入分析,确定了影响该地区负荷变化的主要因素;针对历史数据噪声问题,首次提出了利用SOM和C-均值聚类组合算法来选择相似日,构造相似日训练样本并利用SVM模型进行预测的新方法;针对SVM方法,通过对不同SVM参数的预测结果对比,确定了最优的训练参数。最后采用本文提出的预测模型,利用长沙地区的历史负荷数据和气象数据,对该地区短期负荷预测进行分析,结果表明本文所提出的方法能够有效地提高负荷预测的精度,缩短预测时间。