最小二乘支持向量機短期負荷預測研究.pdf

1、短期負荷預測是電力系統(tǒng)一項非常重要的工作，準確的短期負荷預測對于電力系統(tǒng)經(jīng)濟、安全、可靠的運行具有特別重要的意義。隨著電力系統(tǒng)的日趨復雜化，特別是電力市場的逐步深入，短期負荷預測被賦予了更高的要求。 本文首先討論了負荷預測的BP人工神經(jīng)網(wǎng)絡方法。神經(jīng)網(wǎng)絡的訓練由Levenberg-Marquardt算法實現(xiàn)。Levenberg-Marqurquardt算法是BP神經(jīng)網(wǎng)絡的一種改進訓練算法，可以實現(xiàn)神經(jīng)網(wǎng)絡的快速訓練。Levenb

2、erg-Marquardt算法是最好的中小型神經(jīng)網(wǎng)絡訓練算法。但Levenberg-Marquardt算法采用梯度下降算法優(yōu)化權值，使神經(jīng)網(wǎng)絡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)絡預測精度主要因素。局部最優(yōu)問題也帶來訓練結果的不確定，使得不便使用驗證的辦法實現(xiàn)對網(wǎng)絡模型和輸入變量的優(yōu)選。 支持向量機解決了神經(jīng)網(wǎng)絡中存在的局部最優(yōu)問題，比BP人工神經(jīng)網(wǎng)絡法有更高的預測精度和魯棒性，被認為是神經(jīng)網(wǎng)絡的替代方法。本文用最小二乘

3、支持向量機建立了負荷預測模型。最小二乘支持向量機是標準支持向量機的一種擴展，比標準支持向量機速度更快，更便于使用。在選擇相同訓練樣本和輸入變量的情況下，最小二乘支持向量機預測法的預測效果明顯優(yōu)于BP人工神經(jīng)網(wǎng)絡預測方法。由于最小二乘支持向量機的解是唯一的，預測模型的參數(shù)選擇可以使用驗證實現(xiàn)。 實際應用中，神經(jīng)網(wǎng)絡和最小二乘支持向量機預測方法的輸入變量通常是根據(jù)經(jīng)驗選擇的，這勢必造成知識的瓶頸問題，使預測模型的適應性不好。本文提出

4、一種把最小二乘支持向量機貝葉斯證據(jù)框架理論和二進粒子群優(yōu)化算法相結合的方法，實現(xiàn)預測輸入變量的自適應選擇，以減少預測模型建立過程中對經(jīng)驗的依賴，并提高模型的適應性。貝葉斯證據(jù)框架用貝葉斯理論描述了一個模型準確反映系統(tǒng)特性的可能性，所以可以通過最小化目標函數(shù)得到最可能反映系統(tǒng)特性的模型。選擇可以作為負荷預測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)為目標函數(shù)，1和0分別代表對一個輸入變量的選擇和不選，用二進粒子群優(yōu)化算法對這