基于svm组合预测在中长期电力负荷预测中应用的论文

《基于svm组合预测在中长期电力负荷预测中应用的论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要电力负荷预测是进行电力系统发电规划的重要依据。准确的负荷预测有利于提高电力系统运行的经济性和可靠性。电力系统负荷的大小与多种因素有关，未来负荷与所能利用的影响变量之间存在复杂的非线性关系。对中长期电力负荷进行预测可为电网规划提供重要依据。支持向量机是一种新的机器学习算法，对于一些诸如小样本、非线性、高维数和局部极小点等实际问题都可以较好的解决。与短期电力负荷数据比起来，中长期电力负荷数据具有小样本的特点。恰好支持向量机处理小样本数据具有其他模型无法比拟的优势，且SVM回归方法具有良好的拟合和外推能力。本文提出一个基于支

2、持向量机的中长期电力负荷组合预测模型及其求解步骤。在预测过程中，首先利用多个单一预测方法如趋势预测模型，指数模型，非线性回归模型，改进的灰色GM(1，1)模型和改进的灰色Verhulst模型构成预测模型群，对原始电力负荷数据进行拟合。然后，把预测模型群的拟合结果作为支持向量机回归模型的输入进行二次预测，形成变权重的组合预测。本文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过实例证明了本文提出的组合预测模型能较好地平衡拟合和外推，在某种程度上解决了传统方法拟合优而外推差的问题。此外，通过与多种预测方法进行比较，基

3、于支持向量机的中长期电力负荷组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。关键词：支持向量机；中长期电力负荷预测；组合预测：模型群：华北I乜力人学颂lj学位论文AbstractTheforecastingtomid-longtermloadcanprovideimportantevidencetothepowerplanning．Theaccurateloadforecastingcanimprovetheeconomicsandreliabilityofpowersystemoperation．Thel

4、oadisrelatedwithavarietyoffactors，thereisacomplexnonlinearrelationshipbetweentheloadandthefactors．Theforecastingtomid-longtermloadisimportantbecauseitCanprovideimportantevidencetothepowerplanning．Asanewmachinelearningalgorithm，supportvectormachine(SVM)cansolvesome

5、practicalissues，suchassmallsample，nonlinear,highdimensionandlocalminimumpoints，etc．Comparedwiththeshort-termelectricloaddata，thelong-termdatahasthecharacteristicsofsmallsamples．SVMhastheadvantagestothesmallsamplesthatothermodelscannotbecomparedwith，andtheSVMregres

6、sionmethodhasgoodcapabilityoffittingandextrapolation．Traditionalforecasttechniquesapplyasingleforecastertocarryoutthetask．However,thisforecastermightnotbethebestforallsituationsordatabases．AcombinationalmodelonthebasisofSupportVectorMachine(SVM)theoryisproposedint

7、hispaper．Duringtheprocessoftheforecast，severalsingleforecastingmethodssuchastrendpredictionmodel，exponentmodel，non—linearregressionmodel，improvedgreypredictivemodelandimprovedgreyverhulstpredictivemodel，areusedtoformamodelgroup，andthenthefittedresultsbydifferenttr

8、aditionalpredictivemodelsintimesequenceactastheinputofthesupportvectormachineregression(SVMR)model，thenbyrelativeSVMRapproachbasedonknowninputandoutputs