基于混沌特性的支持向量機短期電力負荷預測.pdf

1、電力負荷預測是電力系統(tǒng)運行與控制的基礎也是電力市場運作的基礎，在電力市場的條件下對負荷預測提出了準確性、實時性、可靠性、智能性的要求，其預測精度直接影響電力系統(tǒng)的經濟效益以及電網的穩(wěn)定性。 負荷預測是電力系統(tǒng)規(guī)劃和運行中的重要工作之一。由于負荷決定了發(fā)電、輸電和電量的分配，在一定規(guī)劃期內負荷與用電量的大小決定了電力系統(tǒng)的發(fā)展規(guī)模和發(fā)展速度，因此預測電力系統(tǒng)的負荷與用電量是進行電力系統(tǒng)發(fā)展規(guī)劃的首要任務。而負荷預測方法的選擇是最為

2、關鍵的工作，目前預測的方法很多，但哪一種方法更為可靠是一個十分復雜的問題。因為預測結果的可信性不僅取決于所使用的預測方法，也取決于所采集數(shù)據(jù)的可靠性，后者是理論工作者所無法解決的，前者則可以通過對不同預測方法的分析比較得到一些指導性的認識。 支持向量機是新一代的機器學習算法，以統(tǒng)計學習理論作為其理論基礎，它的訓練等價于解決一個二次規(guī)劃問題，采用結構風險最小化原則，具有預測能力強、全局最優(yōu)及收斂速度快等顯著特點。因此，本文從研究混

3、沌時間序列的預測入手，采用了一種基于支持向量機回歸理論的預測方法，并將其應用于混沌時間序列預測中。為了驗證該算法的性能，做了兩項工作，一個是利用相空間的重構理論對混沌時間序列進行了單步與多步的預測，并同文獻中的神經網絡的預測結果進行了比較分析；另一個是在混沌時間序列中加入不同水平的噪聲，并同BP網絡及RBF網絡的預測結果進行了比較分析。仿真結果表明，用支持向量回歸算法進行混沌時間序列的預測能夠取得比其他方法更好的效果，且有更好的穩(wěn)健性和

4、泛化能力。 在研究混沌特性的基礎上，結合短期電力系統(tǒng)的特點，對電力負荷預測問題進行研究，建立了基于混沌特性的支持向量機電力負荷短期預測的模型，應用實際的負荷數(shù)據(jù)進行仿真試驗。 利用基于混沌特性的支持向量機模型進行短期電力負荷預測，首先要判定系統(tǒng)是否具有混沌特性，其次確定相空間重構的嵌入維數(shù)m和延時t；運用m和t重構相空間，計算出最大Lyapunov指數(shù)，構成學習樣本和預測值，然后利用樣本對SVM進行訓練，最后訓練后的網絡

5、對將來的某段時間進行預測，根據(jù)預測得出的預測值，我們與實際的負荷值進行比較，判斷其是否具有優(yōu)勢。 提出了一種基于支持向量機回歸理論的預測方法，并將其應用于實際的短期電力負荷預測中。為了驗證該算法的性能，做了兩項工作，一個是利用相空間的重構理論對短期電力負荷進行了單步預測，并同文獻中的神經網絡的預測結果進行了比較分析，從表中可以看出，對于不同的m取值，采用SVM時的評價指標(RMSE，RMSPEE)都小于采用BP網絡和模糊神經網絡

6、時的相應值，表明支持向量機在短期電力負荷的建模和預測方面的效果比BP網絡和模糊神經網絡要好，從運行時間看，與BP網絡相比，支持向量機具有更快的收斂速度，其運動時間比采用BP網絡時能夠大大縮短；另一個是對短期電力負荷進行了多步預測，在對預測結果和預測精度分析的基礎上，并同BP網絡及RBF網絡的預測結果進行了比較分析，仿真結果表明，用支持向量回歸算法進行預測能夠取得比其他方法更好的效果，且有更好的穩(wěn)健性和泛化能力。 在對實際電力負荷