基于支持向量机的短期电力负荷预测研究

被引:0
作者
蔡勇
机构
[1] 华中科技大学
关键词
电力系统; 负荷预测; 支持向量机; 核函数; 泛化能力;
D O I
暂无
年度学位
2007
学位类型
硕士
导师
摘要
短期负荷预测是电力系统调度和计划部门安排购电计划和制定运行方式的基础,是保障电力系统安全、经济运行的重要手段。支持向量机(Support Vector Machine, SVM)是近期提出的一种机器学习方法,它具有严格的数学理论基础,有着比人工神经网络更优越的性能。本文将SVM引入到短期负荷预测中,结合具体实例,验证了该方法的可行性和有效性。 论文首先综述了短期负荷预测的研究现状,归纳了常用的预测模型和方法,并分析了各种方法的优劣;接着详细介绍了SVM的理论基础和原理,推导了SVM的回归模型,之后将SVM引入到短期负荷预测,从预测流程、样本构造、参数选择、训练算法等方面进行了细致的研究;在此基础上,结合具体实例,论文进行了基于SVM的短期负荷预测实践。 由于天气是影响短期负荷预测的关键因素,论文在分析了武汉地区夏季的气象特征后,选取气温、湿度、日照时、大气压强等作为训练样本的构成因子,对典型日进行负荷预测,算例结果表明,考虑了天气因素的SVM比基于历史负荷数据的SVM更能够取得好的预测结果。 为了能够反映出电力负荷“近大远小”的原则,论文对SVM进行了改进。通过引入两个调节变量,改进后的SVM可根据训练样本与预测样本之间的时间跨度,对不同样本的训练误差采取不同的惩罚力度。算例结果表明,该方法能够提高短期负荷预测的预测精度。 论文还对核函数的构造展开了一些研究,提出了一种混合核的构造方法,并对这种基于混合核函数支持向量机的泛化能力进行了估计。算例结果表明,基于混合核的支持向量机比基于单一核的支持向量机具有更好的泛化能力。
引用
收藏
页数:72
共 26 条
[1]
数据挖掘中的新方法.[M].邓乃扬;田英杰著;.科学出版社.2004,
[2]
人工神经网络原理及其应用.[M].陈允平等编著;.中国电力出版社.2002,
[3]
人工智能与专家系统.[M].吴泉源;刘江宁编著;.国防科技大学出版社.1995,
[4]
时间序列分析基础.[M].李先孝著;.华中理工大学出版社.1991,
[5]
灰色系统基本方法.[M].邓聚龙著;.华中工学院出版社.1987,
[6]
事件检测支持向量机模型与神经网络模型比较 [J].
覃频频 .
计算机工程与应用 , 2006, (34) :214-217+232
[7]
基于相似日小波支持向量机的短期电力负荷预测 [J].
刘梦良 ;
刘晓华 ;
高荣 .
电工技术学报, 2006, (11) :59-64
[8]
提高时间序列气象适应性的短期电力负荷预测算法 [J].
朱陶业 ;
李应求 ;
张颖 ;
张学庄 ;
何朝阳 .
中国电机工程学报, 2006, (23) :14-19
[9]
电力短期负荷的多变量时间序列线性回归预测方法研究 [J].
雷绍兰 ;
孙才新 ;
周湶 ;
张晓星 .
中国电机工程学报, 2006, (02) :25-29
[10]
基于模糊粗糙集和神经网络的短期负荷预测方法 [J].
王志勇 ;
郭创新 ;
曹一家 .
中国电机工程学报, 2005, (19) :7-11