基于支持向量机的短期电力负荷预测研究

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。