基于贝叶斯证据框架下WLS-SVM的短期负荷预测.pdf

《基于贝叶斯证据框架下WLS-SVM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、第39卷第7期电力系统保护与控制Vb1．39NO．72011年4月1日PowerSystemProtectionandControlApr．1，2011基于贝叶斯证据框架下WLS-SVM的短期负荷预测王林川，白波，于奉振，袁明哲(1．东北电力大学电气Z-程学院，吉林吉林132012；2．成都市电业局，四川成都610021)摘要：提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(weightedLeastSquaresSupportVectorMachine，WLS—SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上，分析影响负荷变化的重要因素，然后选择最佳的输入数据作

2、为LS-SVM训练模型的输入向量。通过贝叶斯证据三层推断寻找到模型的最佳参数：第一层推断确定LS-SVM的权向量W和偏置值b，第二层推断确定模型的超参数，第三层推断确定核函数的超参数。为了提高模型的鲁棒性，赋予了每个样本误差不同的权系数，建立了具有良好泛化性能的WLS—SVM回归模型，从而进一步提高了模型预测的精度。采用上述方法对黑龙江电网短期负荷进行了预测，结果证明了该方法具有良好的预测效果。关键词：贝叶斯证据框架；最小二乘支持向量机；短期负荷预测；历史数据；鲁棒性Short—termloadforecastingbasedonweightedleastsquaressupportvec

3、tormachinewithintheBayesianevidenceframeworkWANGLin．chuan，BAIbo，YUFeng．zhen，YUANMing．zhe(1．SchoolofElectricalEngineering，NortheastDianliUniversity，Jilin132012，China；2．ChengduElectricPowerBureau，Chengdu610021，China)Abstract：Ashort-termloadforecastingmodelandalgorithmbasedontheweightedleastsquaressu

4、pportvectormachinewithinthebayesianevidenceframeworkisproposed．Onthebasisofpre-processingofhistoricaldata，theauthoranalyzestheimportantfactorsofafectingtheloadchange，andthenselectsthebestinputdataastheinputvectorofLS-SVMtrainingmode1．Theoptimalparametersofmodelscanbefoundthroughthree-·layerbayesia

5、nevidenceinference：TheweightvectorWandbiasvaluebofLS·-SVMcanbedeterminedinthefirstlayer，andthehyper-parameterofthemodelCanbeinferredinthesecondlayer，thehyper-parameterofthenuclearfunctionfmallycallbedeterminedinthethirdlayer．Toimprovetherobustnessofthemode1．WLS-SVMregressionmodelwithgoodgeneraliza

6、tionperformanceisestablishedbygivingadifferentweightcoeficienttoeachsampleerror，whichfurtherimprovesthepredictionaccuracyofthemode1．Applyingtheproposedmethodtoshort—termloadofHeilongjiangpowersystem，resultsshowtheeffectivenessofthemethod．Keywords-bayesianevidenceframework；leastsquaressupportvector

7、machine(LS-SVM)；short-termloadforecasting；historicaldata；robustness中图分类号：TM715文献标识码：A文章编号：1674-3415(2011)07．0044-06不断发展J。Vapnik等在统计学习理论(Statistical0引言LearningTheory，SLT)基础上发展了一种新型学习随着电力系统运行的市场化，负荷预测变得越方法．支持向量机(Su