基于相關向量機的電力系統(tǒng)月度負荷預測.pdf

1、準確地預測負荷是電力系統(tǒng)安全和經濟運行的重要保障，而電力市場的發(fā)展也進一步提升了對預測精度的要求。月度負荷具有增長性和波動性的雙重趨勢，表現(xiàn)出復雜的非線性組合特征，預測難度較大。而隨著人工智能技術的發(fā)展，其在回歸預測問題上展現(xiàn)出強大的非線性處理能力和廣泛的適用性，為負荷預測提供了新的思路。因此，將人工智能技術應用到電力系統(tǒng)月度負荷預測可以提高預測模型的準確度和適應性，對電力系統(tǒng)運行的安全性和經濟性具有重大意義。
　　本文首先介紹了

2、月度負荷預測的研究現(xiàn)狀和人工智能在負荷預測的應用現(xiàn)狀。然后從機器學習的問題出發(fā)，闡述了統(tǒng)計學習理論和相關向量機（Relevance Vector Machine，RVM）原理。針對RVM對核函數(shù)和模型參數(shù)敏感的缺陷，以組合核函數(shù)來綜合局部核和全局核函數(shù)的優(yōu)點，以改進粒子群（Particle Swarm Optimization，PSO）算法優(yōu)化參數(shù)，并以此建立基于PSO-RVM的負荷預測模型。接著從外部因素和內部因素兩方面研究分析月度負

3、荷的影響因素。外部因素考慮經濟、產業(yè)結構和氣溫因素的影響，利用K-L（Kullback-Leibler）信息量對外部因素進行量化分析，選取關聯(lián)度較高的因素作為模型輸入，進而建立基于K-L信息量的PSO-RVM負荷預測模型。內部因素考慮業(yè)擴容量的影響，利用負荷生長曲線擬合用戶申報業(yè)擴之后的電量數(shù)據(jù)，然后采用k-均值聚類算法提取出不同行業(yè)的業(yè)擴報裝負荷生長典型周期，根據(jù)業(yè)擴報裝容量和研究得到的逐月影響比例提取實際業(yè)擴增量，結合之前建立的預測