最小二乘支持向量機(jī)短期負(fù)荷預(yù)測(cè)研究.pdf

1、短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)一項(xiàng)非常重要的工作，準(zhǔn)確的短期負(fù)荷預(yù)測(cè)對(duì)于電力系統(tǒng)經(jīng)濟(jì)、安全、可靠的運(yùn)行具有特別重要的意義。隨著電力系統(tǒng)的日趨復(fù)雜化，特別是電力市場(chǎng)的逐步深入，短期負(fù)荷預(yù)測(cè)被賦予了更高的要求。 本文首先討論了負(fù)荷預(yù)測(cè)的BP人工神經(jīng)網(wǎng)絡(luò)方法。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練由Levenberg-Marquardt算法實(shí)現(xiàn)。Levenberg-Marqurquardt算法是BP神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)訓(xùn)練算法，可以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的快速訓(xùn)練。Levenb

2、erg-Marquardt算法是最好的中小型神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。但Levenberg-Marquardt算法采用梯度下降算法優(yōu)化權(quán)值，使神經(jīng)網(wǎng)絡(luò)只能收斂到局部最優(yōu)。局部最優(yōu)問題是影響神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度主要因素。局部最優(yōu)問題也帶來訓(xùn)練結(jié)果的不確定，使得不便使用驗(yàn)證的辦法實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)模型和輸入變量的優(yōu)選。 支持向量機(jī)解決了神經(jīng)網(wǎng)絡(luò)中存在的局部最優(yōu)問題，比BP人工神經(jīng)網(wǎng)絡(luò)法有更高的預(yù)測(cè)精度和魯棒性，被認(rèn)為是神經(jīng)網(wǎng)絡(luò)的替代方法。本文用最小二乘

3、支持向量機(jī)建立了負(fù)荷預(yù)測(cè)模型。最小二乘支持向量機(jī)是標(biāo)準(zhǔn)支持向量機(jī)的一種擴(kuò)展，比標(biāo)準(zhǔn)支持向量機(jī)速度更快，更便于使用。在選擇相同訓(xùn)練樣本和輸入變量的情況下，最小二乘支持向量機(jī)預(yù)測(cè)法的預(yù)測(cè)效果明顯優(yōu)于BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。由于最小二乘支持向量機(jī)的解是唯一的，預(yù)測(cè)模型的參數(shù)選擇可以使用驗(yàn)證實(shí)現(xiàn)。 實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)預(yù)測(cè)方法的輸入變量通常是根據(jù)經(jīng)驗(yàn)選擇的，這勢(shì)必造成知識(shí)的瓶頸問題，使預(yù)測(cè)模型的適應(yīng)性不好。本文提出

4、一種把最小二乘支持向量機(jī)貝葉斯證據(jù)框架理論和二進(jìn)粒子群優(yōu)化算法相結(jié)合的方法，實(shí)現(xiàn)預(yù)測(cè)輸入變量的自適應(yīng)選擇，以減少預(yù)測(cè)模型建立過程中對(duì)經(jīng)驗(yàn)的依賴，并提高模型的適應(yīng)性。貝葉斯證據(jù)框架用貝葉斯理論描述了一個(gè)模型準(zhǔn)確反映系統(tǒng)特性的可能性，所以可以通過最小化目標(biāo)函數(shù)得到最可能反映系統(tǒng)特性的模型。選擇可以作為負(fù)荷預(yù)測(cè)輸入的變量為待選集，以貝葉斯證據(jù)框架理論第三層的給出函數(shù)為目標(biāo)函數(shù)，1和0分別代表對(duì)一個(gè)輸入變量的選擇和不選，用二進(jìn)粒子群優(yōu)化算法對(duì)這