基于偏最小二乘支持向量機的短期負(fù)荷預(yù)測.pdf

1、摘要論文題目：基于偏最b乘支持向量機的短期負(fù)荷預(yù)測學(xué)科專業(yè)：電力系統(tǒng)及其自動化研究生：沈曉風(fēng)指導(dǎo)教師：賈嶸教授摘要簽名：i壘監(jiān)過簽名：通齷短期負(fù)荷預(yù)測是電力系統(tǒng)安全經(jīng)濟(jì)運行的前提，隨著分時電價方式的推廣和電力市場化改革的深入，電力公司力求及時、準(zhǔn)確地把握負(fù)荷變化的信息，對負(fù)荷預(yù)測的重要性和迫切性提到了前所未有的高度，同時也對負(fù)荷預(yù)測的精度提出了更高的要求，這必將推動我國對負(fù)荷預(yù)測新方法、新技術(shù)的研究。負(fù)荷預(yù)測方法大致可分為兩大類。一類是

2、以時間序列法為代表的傳統(tǒng)方法：另一類是以人工神經(jīng)網(wǎng)絡(luò)法為代表的新型人工智能方法。本文分析了支持向量機的基本原理，支持向量機具有非線性擬合、泛化能力強、訓(xùn)練收斂速度快等顯著特點。針對電力系統(tǒng)負(fù)荷與各種影響因素之間的非線性關(guān)系，本文建立了基于支持向量機的短期負(fù)荷預(yù)測模型，并與神經(jīng)網(wǎng)絡(luò)方法作了實例分析比較，結(jié)果表明基于支持向量機的負(fù)荷預(yù)測要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法。由于影響負(fù)荷變化的因素繁多且復(fù)雜，影響因素之間往往也相互影響，存在著一定的相關(guān)性。它將

3、會影響到參數(shù)估計，擴(kuò)大模型誤差，并破壞模型的穩(wěn)定性。所以消除樣本屬性間的相關(guān)性有著重要的意義。PLS對樣本進(jìn)行特征提取，消除相關(guān)性的同時，也能對樣本進(jìn)行了屬性約簡，降低了維數(shù)，減少建模時間。本文引入一種偏最d乘(PLS)和支持向量機(SⅥ訌)結(jié)合的偏最d乘支持向量機(PLS—SⅥ訌)方法，用PLS進(jìn)行特征提取，以提取的特征作為SVM輸入建立預(yù)測回歸模型。實驗結(jié)果表明，該方法兼有PLS和SVM的優(yōu)點，不僅提高了預(yù)測精度而且由于降低了輸入維