基于支持向量機的短期電力負荷預測方法研究.pdf

1、短期負荷預測是電力系統(tǒng)安全經濟運行的前提，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、準確地把握負荷變化的信息，對負荷預測的重要性和迫切性提到了前所未有的高度，同時也對負荷預測的精度提出了更高的要求，這必將推動我國對負荷預測新方法、新技術的研究。負荷預測方法大致可分為兩大類。一類是以時間序列法為代表的傳統(tǒng)方法；另一類是以人工神經網(wǎng)絡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

2、線性擬合、泛化能力強、訓練收斂速度快等顯著特點。針對電力系統(tǒng)負荷與各種影響因素之間的非線性關系，本文利用支持向量機優(yōu)越的非線性學習及預測性能，針對短期負荷預測的各種影響因素的非線性特性，提出基于支持向量機的電力系統(tǒng)短期負荷預測新方法，以提高預測精度和時效性，本文建立了基于支持向量機的短期負荷預測模型，并與神經網(wǎng)絡方法作了實例分析比較，結果表明基于支持向量機的負荷預測精度和速度要優(yōu)于神經網(wǎng)絡方法。 在基于支持向量機的預測問題中，特

3、征選擇可以降低學習問題的復雜性，提高學習算法的泛化能力，并簡化學習模型，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分類識別最有效的特征，從而實現(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相結合的預測方法，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進行建模，這樣既結合了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，從而改善了預測模型的精