基于卡尔曼滤波-SVR时刻峰值的短期负荷预测.pdf

《基于卡尔曼滤波-SVR时刻峰值的短期负荷预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、《电气开关》(2016．No．2)35文章编号：1004—289X(2016)02—0035—04基于卡尔曼滤波一SVR时刻峰值的短期负荷预测沈渊彬，刘庆珍(福州大学电气工程与自动化学院，福建福州350108)摘要：以提高短期负荷预测中的时刻峰值精度为目标。为了给电力调度部门提供各时刻负荷分配的极限值，以一天中24个时刻的负荷峰值代替一天96点的负荷作为研究对象，并且在支持向量机的回归拟合(SVR)基本算法基础上，提出了一种SVR预测值经过累积式自回归一移动平均模型(ARIMA)的卡尔曼滤波调整的短期负荷预测模型。该模型利用ARIMA模型建立卡尔曼滤波方

2、程；并将SVR预测值作为观测值，通过卡尔曼滤波的递推方程组，求得最终的负荷预测值，从而实现卡尔曼滤波一SVR预测。经过实例验证该模型可以有效提高短期负荷预测的精度。关键词：时刻负荷峰值；短期负荷预测；ARIMA；SVR；卡尔曼滤波中图分类号：TM71文献标识码：BShort-termPeakLoadForecastingofEveryTimeForecastingBasedonKalmanFiltering-SVRSHENYuan—bin，LIUQing—zhen(CollegeofElectricalEngineeringandAutomation，F

3、uzhouUniversity，Fuzhou350108，China)Abstract：Itsgoalistoimproveaccuracyinshorttermpeakloadofeverytimeforecasting．Inordertoprovidetheloaddistributionlimitvaluetopowerdispatchdepartment，itusespeakloadof24timesinsteadof96pointsloadasthere—searchobject．AnditisbasedonSVRtoproposeamodel

4、whichpredictedvalueofSVRisadjustedbyKalmanfilteringofARIMA．ThemodelusesARIMAtobuiltKalmanfilteringequationandusesthepredictedvalueofSVRasobservationvaluesofKalmanfiltering，SOthevaluecanbeadjustedbyrecurrenceequationofKalmanfiltering．ThisistheKalman—SVRmode1．Themodelappliertoatypi

5、calexamplehasbeenprovedtohaveimprovedaccuracyintheloadforecasting．Keywords：peakloadofeverytime；shortloadforecasting；ARIMA；SVR；Kalmanfiltering天各个时刻的负荷分配上提供一个可参考的负荷极1引言限值。电力系统短期负荷乃至超短期负荷预测在现代智同时在预测方法上考虑到在现有已经提出和被应能电网的发展中发挥着极为重要的作用。但是，在电用的短期负荷预测技术，例如负荷趋势外推技术，网加速建设的今天，每天中各个时候的负荷变化越加回

6、归模型预测技术，时问序列预测技术以及神经网络复杂和难以确定，使得通过历史负荷数据预测未来值算法、支持向量机等，这些单一方式的负荷预测精度不难度也随之提高。以往在短期负荷预测中总是将一天是很高。所以，本文以某城市一个典型变电站的电力的负荷以96点采样为基准，而考虑到现在电网在电动负荷数据为研究背景，通过文献[7]在风速预测应用汽车，光电并网等新事物的接入使得负荷变化更具有中提出的一种ARMA与神经网络的混合预测模型为不确定性的影响，导致了用历史负荷数据来预测未来思路，利用对传统的支持向量机回归拟合(SVR)算法值的可靠性较为难以判断。为此，本文选用在负荷变

7、进行改进，提出一种SVR、卡尔曼滤波算法以及累积化预测中较为稳定和可靠的负荷时刻峰值为研究对式自回归一移动平均模型(ARIMA)相结合的短期负象，通过对未来时刻峰值的负荷预测，为调度部门在每荷预测模型。通过验证后，证明所提出的研究策略，既36《电气开关》(2016．No．2)用较高实用价值又能提高短期负荷预测精度。是观测状态矩阵；W(t)是过程噪声向量；v(t)是测量噪声向量；假设w(t)和v(t)为高斯白噪声，它们的协2传统SVR与卡尔曼滤波算法原理方差矩阵用Q和R来表示，则卡尔曼滤波递推公2．1支持向量机回归拟合数学原理(SVR)式为：SVR是在支持

8、向量机(SVM)分类基础上加入X(tlt一1)=AX(t一1It一1)；不敏感损