基于竞争型ispo双胞支持向量回归短期负荷预测

《基于竞争型ispo双胞支持向量回归短期负荷预测》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、分类号：UDC：密级：学校代号：11845学号：2111104168广东工业大学硕士学位论文(工程硕士专业学位)基于竞争型ISPO双胞支持向量回归短期负荷预测王洪森指导教师姓名、职称：蒸星圈』副塾堡专业或领域名称：皇氢王猩学生所属学院：自麴丝堂医论文答辩日期：垒Q!垒生墨旦曼Q旦ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster(MasterofEngineering)Short--termLoadForecastingBas

2、edonCompetitiveISPOandTwinSupportVectorRegressionCandidate：WangHongsenSupervisor：AssociateProf．PengXian-gangMay2014SchoolofAutomationGuangdongUniversityofTechnologyGuangzhou，Guangdong，P．R．China，510006摘要摘要随着电力价格竞争机制的引入和电力市场改革的深入，电力部门对短期负荷预测的精度和速度提出了更高的要求。双胞支持向量回归(Tw

3、inSupportVectorRegression，TSVR)是从支持向量回归(SupportVectorRegression，SVR)的基础上发展而来，具有结构简单，泛化能力强，全局最优等特点，并且具有更快的训练速度。然而双胞支持向量回归参数的选择盲目、费时、费力，且无法实现自动选择，这严重影响了算法的学习和泛化能力。针对这些缺点，本文提出了一种新的竞争型智能单粒子算法(CompetitiveIntelligentSingleParticleOptimizer，cIspo)对双胞支持向量回归的参数进行优化。C1SPO克服了

4、智能单粒子算法(IntelligentSingleParticleOptimizer．ISPO)在搜索最优解过程中方向性差，搜索尺度混乱并且具有大量未确定参数等缺陷。算法通过引入迭代竞争因子，使其具有更优的全局搜索能力，并且使参数随着每次的迭代自动调整，避免了智能单粒子算法参数选取的难题。建立ClSPO．TSVR模型，利用CISPO优化TSVR的参数，实现了参数寻优的自动化，既能发挥TSVR的泛化能力，又能改善智能单粒子算法全局搜索能力，将CISPO．TSVR模型应用到电力系统的短期负荷预测中，能有效地提高短期负荷预测的精度

5、和速度。主要内容包括：本文首先系统地阐述电力系统短期负荷预测的研究意义和国内外的研究现状，分析了常用的各种短期负荷预测的方法以及其优缺点。接着对机器学习和统计学习理论进行深入研究，理解支持向量回归理论和双胞支持向量回归理论的具体内容。随后研究基于双胞支持向量回归的短期负荷预测，通过分析广东省某地区的负荷特性，确定影响该地区负荷的主要因素；分析历史异常数据对预测的影响以及剔除异常数据的方法，给出了基于双胞支持向量回归短期负荷预测的具体步骤，并分析参数选取对于双胞支持向量回归效果的影响。然后深入地研究智能单粒子算法，通过对其所存

6、在的搜索尺度混乱和大量未确定参数的问题加以改进，提出竞争型智能单粒子算法，并研究基于竞争型智能单粒子算法优化的双胞支持向量回归短期负荷预测的具体方法与步骤。最后使用本文提出的预测模型，对广东省某地区电网进行短期负荷预测，结果表明，与前馈神经网络算法(BP．ANN)、SVR、TSVR和粒子群优化的TSVR算法对比，CISPO．TSVR方法能有效提高负荷预测的速度和精度，更适广东工业大学硕士学位论文合短期负荷预测发展需求。关键词：短期负荷预测，支持向量回归，双胞支持向量回归，竞争智能单粒子算法，参数优化11AbstractAbs

7、tractWiththeintroductionofelectricitypricecompetitionmechanism，andthedeepeningofthereformofelectricitymarket，powersectorhadputforwardhigherrequirementsforshort—termloadforecastingaccuracyandspeed．Twinsupportvectorre铲ession(TSVR)，whichisdevelopedonthebasisofsupportv

8、ectorregression(SVR)，hasadvantagesofsimplestructure，stronggeneralizationability,globaloptimumandfastertrainingspeedHowever，theselectionoftwinsupp