基于支持向量机的短期负荷预测.pdf

《基于支持向量机的短期负荷预测.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、电网DOI：10．3969／j．issn．1009-9492．2012．12．006基于支持向量机的短期负荷预测陈亮宏，罗毅初，龙雪涛(1．中国南方电网有限责任公司教育评价中心，广东广州510260；2．广东电网公司佛山供电局，广东佛山528000)摘要：提出一种基于支持向量机的电力系统短期负荷预测方法，将sVM引入短期负荷预测，通过不断输入新的负荷数据来更新回归函数，以获得更快的计算速度和较好的预测精度，利用佛山地区的历史负荷作为训练数据，结果证明了该方法能在一定程度上提高电力负荷的预测精度。关键词：短期负荷预测；支持向量机；结构最小化原则中图分类号：TM71文献标识码：A文章编号：

2、1009—9492(2012112—0018—03Short-TermLoadForecastofPowerSystemBasedonSVMAlgorithmCHENLiang—hong，LUOYi—chu。，LONGXue—tao(1．TheEducationTrainingandEvaluationCentersofSouthPowerGrid，Guangzhou510260，China；2．GuangdongPowerGridCo．，Ltd，FoshanPowerSupplyBureau，Foshan528000，China)Abstract：Thepaperproposedas

3、hort—termloadforecastmethodofpowersystembasedonSVMalgorithm．ConsideringthesocialenvironmentandloadcharacteristicinFoshanarea，thepaperadoptedSVMmodelforecastingthe96loadvalueofFoshanarea，theresultofwhichshowedthatthealgorithmcarlimprovetheaccuracyofpowerloadforecasting．Keywords：short—term；loadfor

4、ecast；SVM0引言一种归纳原则以实现最小化风险泛函，从而得到电力系统负荷预测是一项重要的基础性工最佳的推广。支持向量机方法解决了两个难题：作，是电力系统规划的核心问题之一，是制定发(1)在分析过程中应用核函数的展开定理，所以电计划和输电方案的主要依据。长期以来，在这不需要核函数的完整表达式；(2)在高维特征空一领域出现了多种负荷预测方法，主要可分为以间中用线性回归的方法来进行预测，几乎不增加时间序列为主的传统方法和以神经网络为主的机计算的复杂性，这也就避免了很多人担心升维过器学习方法。传统方法具有运算简单，运行速度程可能出现的维数灾。它避免了人丁神经网络等快等优点，但是由于模型简

5、单，在电力发展的过方法的网络结构难于确定、过学习和欠学习以及程中难以模拟日益复杂的负荷；而机器学习方法局部极小等问题，被认为是目前针对小样本的分有着强大的统计理论依据，在大规模信息处理和类、回归等问题的最佳理论，为解决非线性问题学习能力方面取得了较大进展，但其模型较为复提供了一个新思路。SVM方法是目前统计学中较杂，网络结构难以确定，收敛速度较慢，得到的为年轻的内容，还处于发展当中。最终解过于依赖初值。在对一些数据进行统计分析过程中，降维20世纪90年代中期，Vapnik等人在扎实的统(即把样本空间向低维空间做投影)是首选，因为计理论基础上提出了一种基于结构风险最小化原可以降低计算上的

6、困难。而升维一般只会只会增则(StructuralRiskMinimization，SRM)的新型机加计算的复杂性，甚至会引起维数灾。器学习算法——支持向量机(SupportVectorMa．但是作为分类、回归等问题来说，很可能在chines，简称SVM)方法。它的核心问题是寻找低维样本空间无法线性处理的样本集，在高维特收稿日期：2012—08—27陈亮宏等：基于支持向量机的短期负荷预测电力电征空间却可以通过一个线性超平面实现线性划分1．2线性不可分的问题情况(或回归)，而与特征空间的线性划分(或回归)通过引入一个惩罚变量和松弛变量来软化约相对应的却是样本空间的非线性分类(或回归)。束

7、条件，则原公式(3)可以等价转化为自然发生的两个问题是如何求得非线性映射和解min~11~11+c∑(+，(6)决算法的复杂性。s．t．Y一(。)一b≤+1支持向量机回归原理(·i)+6-y≤+给定训练集={。，Y．)，，Y：)，⋯⋯，，Y)}∈(RxT)(1)，≥0(7)1．3核函数其中eR，为Ⅳ维向量，在低维空间线性不可分的模式通过非线性映YeT=兄i：1,2，⋯⋯，Z；根据训练样本集在尺空射到高维特征空间则可能实现空间线性可分。但间上寻求