基于复Gaussian小波SVM的短期负荷预测

《基于复Gaussian小波SVM的短期负荷预测》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、第32卷第2期四川1电力技术Vo1．32。No．22009年4月SichuanElectricPowerTechnologyApr．，2009基于复Gaussian小波SVM的短期负荷预测郑永康，郝文斌，刘俊丽，李梓玮(1．成都市电业局，四川成都610000；2．德阳市电业局，四川德阳610000)摘要：提出了复Gaussian小波SVM模型，并将其应用于对电力系统短期负荷的预测。证明了复Gaussian小波核满足SVM平移不变核条件，建立了相应的SVM，并且使用搜寻者优化算法对相关参数进行优化选择。在短期负荷预测的仿真实验中，通过与常用的径向基核SVM模型的对比

2、，验证了该方法具有较好的精确度和有效性，有一定的实用价值。关键词：短期负荷预测；复Gaussian小波；支持向量机(SVM)；搜寻者优化算法(SOA)Abstract：Anewmodelofshort—termloadforecasting(STLF)basedoncomplexGaussianwaveletsuppo~vectormachine(CGW—SVM)ispresented．ItisprovedthatthecomplexGaussianwaveletisanadmissibletranslation—invariantkernelfunctionof

3、suppo~vectormachine(SVM)．CGW—SVMisconstructedanditsparametersareoptimizedusingseekeroptimi-zationalgorithm(SOA)．ThecomparisonresultsforSTLFshowthattheproposedmethodhasbetterperformancethantheCOIl—ventionalradialbasisfunctionSVM(RBF—SVM)ineffectivenessandaccuracyandispromisinginSTLFpro

4、blem．Keywords：shoa—termloadforecasting；complexGaussianwavelet；suppo~vectormachine(SVM)；seekeroptimizational—gorithm(SOA)中图分类号：TM715文献标识码：A文章编号：1003—6954(2009)02—0058—04短期负荷预测(short—termloadforecasting，basisfunctionSVM，RBF—SVM)进行STLF。对于STLF)是电力系统的一项基本工作，直接影响着系统SVM模型参数的选择，文献[5、7、8]采用了经验

5、取值开停机的宏观调控。负荷预测的精度关系到整个电的方法，文献[6]对多个参数分别给出了相应的近似力系统运行的经济效益，是一个值得深入研究的课算法。这些优化方法都难以得到普遍适用的满意结题。由于负荷受到各种社会、自然因素影响，模糊、非果。线性、强扰动是其最大特点，难于精确建模。许多传为了利用小波在提取非线性非平稳信号高频细统的方法，包括：时间序列法、回归法、卡尔曼滤波法、微特征方面的优势，故选用复Gaussian小波作为自回归法等都被用于STLF。J，并取得了一定的效SVM的核函数，构建了相应的复Gaussian小波SVM果。但这些方法基本上是线性的，难以获得短期负

6、荷(complexGaussianwaveletSVM，CGW—SVM)。针对时间序列中的非线性特征。人工神经网络(artificialSVM的参数选择，文中使用了搜寻者优化算法(seek．neuralnetworks，ANN)也被大量用于STLF。ANNeroptimizationalgorithm，SOA)进行优化。最后对澳具有较强的非线性映射能力，但是由于它采用的是结大利亚新南威尔士州每半小时的电力负荷(http：／／构风险最小化原则(empiricalriskminimization，WWW．nemmco．eom．au)进行预测，结果验证了该小波ERM)，

7、算法结果并不理想。核函数及其参数优化方法的有效性和优越性。近年来，支持向量机(supportvectormachine，SVM)在电力系统负荷预测中得到广泛应用“J。1复Gaussian小波支持向量机SVM算法基于统计学习理论(statisticallearningtheory，SLT)，遵循结构风险最小化(structuralrisk根据张量积理论⋯，对于一维母小波函数minimization，SRM)准则，通过核函数的映射，将原空间的非线性问题转化成特征空间中的线性问题¨。。，()，可分离的d维小波函数为()旦()。实现小样本下的机器学习。SVM不仅可从理论上

8、保以其构建