基于加權支持向量機的短期負荷預測.pdf

1、電力系統(tǒng)負荷預測是電力系統(tǒng)運行、控制和規(guī)劃不可缺少的一部分，是電力市場技術支持系統(tǒng)的基礎。 支持向量機(Support Vector Machine，簡稱SVM)是基于統(tǒng)計學習理論的一種新的機器學習技術。由于采用了結構風險最小化原則替代經(jīng)驗風險最小化原則，使它較好的解決了小樣本學習的問題。正因為SVM理論有較為完備的理論基礎和較好的學習性能，使得它成為繼神經(jīng)網(wǎng)絡研究之后新的研究熱點。 本文針對支持向量機應用于電力系統(tǒng)短

2、期負荷預測展開了幾個方面的研究工作。 1．將小波變換模極大值法應用到負荷數(shù)據(jù)異常值的檢測中。歷史負荷數(shù)據(jù)是預測的基礎，由于異常數(shù)據(jù)的存在將掩蓋信號的真實性，影響預測的精度，所以必須進行數(shù)據(jù)的預處理。本文應用小波變換模極大值法檢測出信號的局部奇異性，從而剔除異常數(shù)據(jù)，達到數(shù)據(jù)預處理的目的。 2．研究了一種基于自適應加權最小二乘支持向量機(Adaptive Weighed leastsquares support vecto

3、r machine．AWLS-SVM)的短期負荷預測方法。針對不同的樣本，對支持向量機的參數(shù)賦予不同的權重，突出了各個樣本在訓練過程中貢獻不同的特性。并用自適應參數(shù)優(yōu)化法來整定支持向量機的參數(shù)，減少了參數(shù)選擇的盲目性。通過仿真表明，與支持向量機方法相比，自適應加權支持向量機方法具有更高的預測精度。 3．研究了小波變換和優(yōu)化加權最小二乘支持向量機混合模型進行電力系統(tǒng)短期負荷預測的方法。首先基于小波多分辨率分析方法將負荷序列分解成