短期负荷预测毕业设计论文

《短期负荷预测毕业设计论文》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、【摘要】短期负荷预测是电力系统安全经济运行的前提，随着分时电价方式的推广和电力市场化改革的深入，我们更要力求及时、准确地把握负荷变化的信息，对负荷预测的重要性和迫切性提到了前所未有的高度，同时也对负荷预测的精度提出了更高的要求。最近一段时期，支持向量机（SupportVectorMachine,SVM）算法已经被认为是一种预测负荷数据更好的方法，SVM是基于结构风险最小化原则的新型机器学习方法，有着比传统的基于经验风险最小化原则的人工神经网络更优越的性能。因此，本文将SVM引入短期负荷预测，以期开发出一种

2、性能更加优越的短期负荷预测方法。为了进行有效的预测，提高预测精度，本文提出将最小二乘支持向量机LS-SVM（LeastSquareSupportVectorMachine）对负荷进行预测。在建立模型的过程中，通过对训练对象的不断改进以及调整，提高对负荷数据预测的精确性。得到更加优化的预测模型，使其更好的利用到负荷预测的领域中。关键词：短期负荷预测；样本调整训练；最小二乘支持向量机；【Abstract】Powersystemshorttermloadforecastingisthepremiseofsafe

3、andeconomicoperation,withthewaythepromotionofelectricitypriceandelectricitymarketreform,weshouldstrivetotimelyandaccuratelygrasptheloadchangeinformationontheimportanceofloadforecastingandurgencyreferredtoanunprecedentedlevel,butalsoontheaccuracyofloadfore

4、castahigherdemand.Duringtherecentperiod,supportvectormachine(SupportVectorMachine,SVM)algorithmhasbeenBeiRenWeiisabetterforecastloaddataofmethod,SVMisbasedonstructuralriskminimizationprincipleofthenewmachinelearningmethod,YouZhaobi'sbasedonthetraditionale

5、mpiricalriskminimizationoftheartificialneuralnetworkbetterperformance.Therefore,thisarticlewillintroduceshort-termloadforecastingSVMinordertodevelopaperformancemoresuperiorshort-termloadforecasting.Inordertoeffectivelypredict,improveforecastingaccuracy,th

6、ispaperwillsupportvectormachineLS-SVM(LeastSquareSupportVectorMachine)ontheloadforecast.Inthemodelingprocess,throughthecontinuousimprovementoftrainingobjectsandchangestoimprovetheaccuracyoftheforecastloaddata.Bemoreoptimalforecastingmodel,tomakebetteruseo

7、fthefieldtoloadforecast.Keywords:Shorttermloadforecasting;Adjustthetrainingsample;LSSVM目录1引言11.1负荷预测的特点及影响因素11.2负荷预测的要求和步骤32短期电力负荷预测方法综述42.1短期电力系统负荷预测的传统方法42.1.1回归分析法42.1.2趋势外推法52.1.3时间序列法52.1.4人工神经网络法62.2专家系统法92.2.1专家系统的特点及组成92.2.2专家系统在短期电力负荷预测中的应用93LS-S

8、VM原理103.1统计学理论103.1.1VC维（Vapnik-ChervonenkisDimension）103.1.2推广性的界113.1.3结构风险最小化原则（SRM）123.2支持向量机基本原理143.3支持向量机回归理论183.3.1支持向量机回归183.3.2核函数213.3.3参数的影响及选取223.4最小二乘支持向量机233.4.1最小二乘支持向量机的原理233.4.2最小二乘支持向量机的特点244基于LS-S