基于改进支持向量机的短期电力负荷预测研究

《基于改进支持向量机的短期电力负荷预测研究》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、国内图书分类号：C939国际图书分类号：658硕士学位论文学校代码：10079密级：公开基于改进支持向量机的短期电力负荷预测研究硕士研究生：导师：申请学位：学科：专业：所在学院：答辩日期：授予学位单位：盖姝李双辰教授管理学硕士工商管理企业管理经济与管理学院2013年3月华北电力大学ClassifiedIndex：C939U．D．C：658ThesisfortheMasterDegreeIIllIIIUllllIlll1lUIIlllllIIllUIY2390564TheStudyofShort··termLoadForecastingbasedo

2、nCandidate：ImprovedSupportVectorMachineSupervisor：School：DateofDefence：Degree—Conferring—Institution：GaiShuProf．LiShuangchenSchoolofEconomicsandManagementMarch，2013NorthChinaElectricPowerUniversity华北电力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《基于改进支持向量机的短期电力负荷预测研究》，是本人在导师指导下，在华北电力大学攻读硕

3、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。作者躲善裤嗍∥侈年多月弦日华北电力大学硕士学位论文使用授权书《基于改进支持向量机的短期电力负荷预测研究》系本人在华北电力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华北电力大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解华北电力大学关于保存、使用擎位论文的规定，同意学校保留并向有关部门送交论文的复

4、印件和电子版本，允许论文被查阅和借阅。本人授权华北电力大学，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。本学位论文属于(请在以上相应方框内打“4”)：保密口，在年解密后适用本授权书不保密吖储虢善痒≮彳N矗刷醛轹毋≯R期：妒J哆年)月们R同期：叫了年歹月卯同摘要有效准确的电力负荷预测既是使电网安全、经济运行的有力保障，也为切实解决人民群众最关心、最直接、最现实的用电问题提供了先决服务。因此，对该领域的研究一直是学术界的热点问题。支持向量机(SupportVectorMachine，简称SVM)是一种新兴的学习机器，具有较

5、为完备的理论基础和较好的学习性能，成功解决了神经网络难以克服的诸多问题，被称为神经网络的替代算法。因此，本论文将其引入到电力系统的短期负荷预测中来。在研究中本文发现，负荷预测的影响因素有很多，有些因素是可以在特定情况下被去除的。在进行预测时，如果不对众多因素(属性)进行处理，势必会提高预测模型的复杂程度并影响其实现效果，从而导致预测失准等问题。若仅凭经验来对各属性进行约减与提取，则又会因为缺乏依据，导‘致一些有用的信息被去除，同样会致使预测失准。针对上述问题，本文进行了进一步研究。首先，采用粗糙集的有关理论与方法，对基于支持向量机的电力负荷预测技

6、术进行改进，通过属性约减与特征提取等工作，使得有用的信息被完整保留，无用的信息被基本剔除，在最大限度上减少了外界不良因素对负荷预测系统的干扰。其次，进行算例分析与效果比较，对照改进前后的负荷预测技术在预测效果上的差别，从而验证改进方案的有效性与可行性。通过验证发现，上述改进所得到的新技术确实取得了更加精确的预测效果。通过分析认为，其对解决电力负荷预测这一与企业管理者的决策息息相关的热点问题又提供了一套更加合理的方案。关键词：电力系统；短期负荷预测；支持向量机；粗糙集摘要AbstractEffectiveandaccurateloadforecas

7、tingcannotonlyprovideprotectionforthesafeandeconomicoperationofelectricpowersystem，butalsoservethepeoplewhoconcernedabouttheusingofelectricity．Therefore，theresearchonthisfieldhasbeenahotissueintheacademiccircles．SVM(SupportVectorMachine，SVM)whichisanewlearningmachinehasamorec

8、ompletetheoreticalfoundationandbetterlearningperformance．SVMhassucce