基于支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)方法研究.pdf

1、短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行的前提，隨著分時(shí)電價(jià)方式的推廣和電力市場(chǎng)化改革的深入，電力公司力求及時(shí)、準(zhǔn)確地把握負(fù)荷變化的信息，對(duì)負(fù)荷預(yù)測(cè)的重要性和迫切性提到了前所未有的高度，同時(shí)也對(duì)負(fù)荷預(yù)測(cè)的精度提出了更高的要求，這必將推動(dòng)我國(guó)對(duì)負(fù)荷預(yù)測(cè)新方法、新技術(shù)的研究。負(fù)荷預(yù)測(cè)方法大致可分為兩大類。一類是以時(shí)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(jī)的基本原理，支持向量機(jī)具有非

2、線性擬合、泛化能力強(qiáng)、訓(xùn)練收斂速度快等顯著特點(diǎn)。針對(duì)電力系統(tǒng)負(fù)荷與各種影響因素之間的非線性關(guān)系，本文利用支持向量機(jī)優(yōu)越的非線性學(xué)習(xí)及預(yù)測(cè)性能，針對(duì)短期負(fù)荷預(yù)測(cè)的各種影響因素的非線性特性，提出基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)新方法，以提高預(yù)測(cè)精度和時(shí)效性，本文建立了基于支持向量機(jī)的短期負(fù)荷預(yù)測(cè)模型，并與神經(jīng)網(wǎng)絡(luò)方法作了實(shí)例分析比較，結(jié)果表明基于支持向量機(jī)的負(fù)荷預(yù)測(cè)精度和速度要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法。 在基于支持向量機(jī)的預(yù)測(cè)問題中，特

3、征選擇可以降低學(xué)習(xí)問題的復(fù)雜性，提高學(xué)習(xí)算法的泛化能力，并簡(jiǎn)化學(xué)習(xí)模型，從而具有重要的意義。F-score特征選擇是一種從眾多特征中找出那些對(duì)分類識(shí)別最有效的特征，從而實(shí)現(xiàn)特征空間維數(shù)的壓縮。本文提出了一種將F-score特征選擇與支持向量機(jī)相結(jié)合的預(yù)測(cè)方法，該方法采用F-score特征選擇減少輸入特征維數(shù)之后再送入支持向量機(jī)進(jìn)行建模，這樣既結(jié)合了F-score的特征選擇能力又利用了SVM良好的非線性函數(shù)逼近能力，從而改善了預(yù)測(cè)模型的精