基于支持向量机的电力系统

《基于支持向量机的电力系统》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、工学硕士学位论文基于支持向量机的电力系统短期负荷预测研究周凌燕山大学2006年1月国内图书分类号：TM714国际图书分类号：621.3工学硕士学位论文基于支持向量机的电力系统短期负荷预测研究硕士研究生：周凌导师：卢志刚教授申请学位级别：工学硕士学科、专业：电力电子与电力传动所在单位：电气工程学院授予学位单位：燕山大学ClassifiedIndex:TM727U.D.C.:621.3DissertationfortheMasterDegreeinEngineeringPOWERSYSTEMSHORT-TERMLOADFORECASTINGBASEDONSUPPORTVECTO

2、RMACHINECandidate：ZhouLingSupervisor：Prof.LuZhigangAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：PowerElectronicsandElectricDriveUniversity：YanshanUniversity燕山大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文《基于支持向量机的电力系统短期负荷预测研究》，是本人在导师指导下，在燕山大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发表或撰写过的

3、研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名：日期：年月日燕山大学硕士学位论文使用授权书《基于支持向量机的电力系统短期负荷预测研究》系本人在燕山大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归燕山大学所有，本人如需发表，将署名燕山大学为第一完成单位及相关人员。本人完全了解燕山大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权燕山大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。保密□，

4、在年解密后适用本授权书。本学位论文属于不保密□。（请在以上相应方框内打“√”）作者签名：日期：年月日导师签名：日期：年月日摘要摘要电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分，是电力市场技术支持系统的基础。支持向量机(SupportVectorMachine，简称SVM)是基于统计学习理论的一种新的机器学习技术。由于采用了结构风险最小化原则替代经验风险最小化原则，使它较好的解决了小样本学习的问题。正因为SVM理论有较为完备的理论基础和较好的学习性能，使得它成为继神经网络研究之后新的研究热点。本文在对支持量机方法的参数性能进行分析的基础上，提出了一种加权免疫支持

5、向量机方法来预测电力系统短期负荷，对于不同的样本，对支持向量机的参数赋予不同的权重，并利用免疫算法来优化支持向量机的参数。免疫算法是根据人类或其它高等动物免疫系统的机理而设计的，通过抗原和抗体之间的相互作用过程，有效地克服了未成熟收敛现象，提高了群体的多样性。通过仿真证明，与支持向量机方法相比，加权免疫支持向量机方法具有更高的预测精度。给出小波核支持向量机的构造方法。由于母小波函数可以生成小波框架，我们用小波框架来构造核函数，而采用该核函数的SVM，能够逼近平方可积空间中的任意函数。给出小波变换和支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法

6、将负荷序列分解成具有不同频率特征的序列，然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测，最后对各分量预测信号进行重构得到最终预测结果，仿真结果证明了该方法的有效性。在成功开发电量预测软件的基础上，提出了负荷预测软件的设计方案。关键词电力系统；负荷预测；支持向量机；免疫算法；小波变换I燕山大学工学硕士学位论文AbstractPowersystemloadforecast,whichisthebaseofpowermarkettechniquesupportingsystem,isanessentialpartofpowersystemoperation

7、,controlandplanning.SupportVectorMachines(SVM)isanewmachinelearningtechnology,whichisbasedonStatisticalLearningTheory.Itcansolvesmall-samplelearningproblemsbetterbyusingExperientialRiskMinimizationinplaceofStructuralRiskMinimization.Becauseithasquiteperfectthe