基于支持向量機的短期電力負荷預測方法研究.pdf_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論