基于支持向量机的短期电力负荷预测方法研究

武汉理工大学硕士学位论文基于支持向量机的短期电力负荷预测方法研究姓名：肖蔚申请学位级别：硕士专业：控制理论与控制工程指导教师：黎洪生20080401基于支持向量机的短期电力负荷预测方法研究作者：肖蔚学位授予单位：武汉理工大学相似文献(10条)1.期刊论文张前进.ZHANGQian-jin基于支持向量机回归的电力负荷预测研究-航空计算技术2006,36(4)不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.2.期刊论文桂红霞基于遗传算法的加权支持向量机的短期电力负荷预测-工业控制计算机2010,23(5)建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的支持向量机(SVM)在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于电力负荷预测可以获得很好的效果,但是传统SVM回归预测算法对于不同的样本均采用相同的参数,无法体现各样本的重要程度的区别,而且将支持向量机理论应用于实际中也存在时样本数据进行特征选择和对支持向量机模型参数进行选择的问题.因此提出了将遗传算法应用于短期的电力负荷预测中来对加权支持向量机模型进行特征选择和模型参数确定.3.期刊论文靳忠伟.陈康民.闫伟.王桂华.JINZhong-wei.CHENKang-min.YANWei.WANGGui-hua基于支持向量机的中长期电力负荷预测研究与应用-上海理工大学学报2008,30(2)采用一种新的机器学习方法--支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.4.会议论文罗楠.朱业玉.杜彩月.王军.王红燕支持向量机方法在电力负荷预测中的应用2007本文利用许昌1999～2006年的逐日电力负荷和气象数据，分析了电力负荷与气象因子的相关关系，综合应用支持向量机方法，着重考虑天气因素和前期电力指标对电力负荷的影响，确定了一种有效的电力系统短期预测方法。用1999～2005年的逐日资料进行训练建模，用2006的资料做效果检验，研究结果证明这种方法对于电力负荷预测的趋势预测较好。5.期刊论文游华基于相空间重构与支持向量机的电力负荷预测-商场现代化2010,(14)近年来让人们对电力负荷预测的研究越来越显示出它对电力系统具有非常重要的意义,本文结合了电力负荷的混沌特性,时电力数据进行了相空间重构,提出了基于相空间重构和支持向量机回归的电力负荷预测方法,并结合实际应用取得了很好的效果.6.期刊论文朱志勇.林睦纲.张深基.ZhuZhiyong.LINMugang.ZhangShengji基于小波变换与支持向量机的短期电力负荷预测-微计算机应用2005,26(4)利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,将负荷序列投影到不同的尺度上,对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测,最后把各预测的结果叠加得到完整的负荷预测结果.算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力.7.学位论文蒋丽峰基于混沌特性的支持向量机短期电力负荷预测2005电力负荷预测是电力系统运行与控制的基础也是电力市场运作的基础，在电力市场的条件下对负荷预测提出了准确性、实时性、可靠性、智能性的要求，其预测精度直接影响电力系统的经济效益以及电网的稳定性。负荷预测是电力系统规划和运行中的重要工作之一。由于负荷决定了发电、输电和电量的分配，在一定规划期内负荷与用电量的大小决定了电力系统的发展规模和发展速度，因此预测电力系统的负荷与用电量是进行电力系统发展规划的首要任务。而负荷预测方法的选择是最为关键的工作，目前预测的方法很多，但哪一种方法更为可靠是一个十分复杂的问题。因为预测结果的可信性不仅取决于所使用的预测方法，也取决于所采集数据的可靠性，后者是理论工作者所无法解决的，前者则可以通过对不同预测方法的分析比较得到一些指导性的认识。支持向量机是新一代的机器学习算法，以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题，采用结构风险最小化原则，具有预测能力强、全局最优及收敛速度快等显著特点。因此，本文从研究混沌时间序列的预测入手，采用了一种基于支持向量机回归理论的预测方法，并将其应用于混沌时间序列预测中。为了验证该算法的性能，做了两项工作，一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测，并同文献中的神经网络的预测结果进行了比较分析；另一个是在混沌时间序列中加入不同水平的噪声，并同BP网络及RBF网络的预测结果进行了比较分析。仿真结果表明，用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，且有更好的稳健性和泛化能力。在研究混沌特性的基础上，结合短期电力系统的特点，对电力负荷预测问题进行研究，建立了基于混沌特性的支持向量机电力负荷短期预测的模型，应用实际的负荷数据进行仿真试验。利用基于混沌特性的支持向量机模型进行短期电力负荷预测，首先要判定系统是否具有混沌特性，其次确定相空间重构的嵌入维数m和延时t；运用m和t重构相空间，计算出最大Lyapunov指数，构成学习样本和预测值，然后利用样本对SVM进行训练，最后训练后的网络对将来的某段时间进行预测，根据预测得出的预测值，我们与实际的负荷值进行比较，判断其是否具有优势。提出了一种基于支持向量机回归理论的预测方法，并将其应用于实际的短期电力负荷预测中。为了验证该算法的性能，做了两项工作，一个是利用相空间的重构理论对短期电力负荷进行了单步预测，并同文献中的神经网络的预测结果进行了比较分析，从表中可以看出，对于不同的m取值，采用SVM时的评价指标(RMSE，RMSPEE)都小于采用BP网络和模糊神经网络时的相应值，表明支持向量机在短期电力负荷的建模和预测方面的效果比BP网络和模糊神经网络要好，从运行时间看，与BP网络相比，支持向量机具有更快的收敛速度，其运动时间比采用BP网络时能够大大缩短；另一个是对短期电力负荷进行了多步预测，在对预测结果和预测精度分析的基础上，并同BP网络及RBF网络的预测结果进行了比较分析，仿真结果表明，用支持向量回归算法进行预测能够取得比其他方法更好的效果，且有更好的稳健性和泛化能力。在对实际电力负荷数据的仿真试验中，SVM方法能充分利用训练样本的分布特性，根据部分训练样本构建判别函数，不需要过多的先验信息和使用技巧，并最终转化为二次寻优问题，从理论上说，得到的将是全局最优解，有效避免了神经网络易陷入的局部极值问题，同时通过非线性变换和核函数巧妙解决了高维数问题，使得其算法复杂度与样本维数无关，加速了训练学习速度；另外，它能根据有限的样本信息在模型的复杂型和学习能力之间寻求最佳折衷，保证其有较好的泛化性能。8.会议论文张林.罗晓初.徐瑞林.赵理基于时间序列的电力负荷预测新算法研究2006电力系统的负荷是不确定、非线性、动态开放性的复杂大系统,传统方法往往难以准确地描述这种系统的复杂非线性特征,因而无法进行更精确负荷预测.该文提出了一种基于时间序列的进化支持向量机(SVM)的负荷预测方法.该方法避免了SVM方法人为控制核函数和参数的传统模式,而是采用单纯形-小生境遗传算法对其进行快速的局部和全局寻优,具有更好的泛化性能和收敛精度,减少了对经验的依赖.同时,时间序列考虑了趋势分量和周期分量,使负荷预测模型更加符合电力负荷特性.该方法在电网实际负荷预测中和真实值的比较证明本文提出的负荷预测模型是最优的实用模型.9.学位论文周星宇基于支持向量机的电力负荷预测预警研究2008人类进入20世纪90年代以后，伴随着经济全球化和经济科技化的发展，电力能源也出现了全球性、生态性、多元性、安全性、科技密集性的发展趋势。本文在这个背景下对电力能源预测预警系统的构建进行了初探，为解决日益紧张的能源与发展之间矛盾提供了一种方式。论文的工作重心和中心在于预测分析，它直接影响预警的成败。机器学习应用于回归领域越来越得到国内外专家的重视，其中基于统计学习理论的支持向量机(SVM)异军突起，发展迅速，在各行各业都有了相关应用。本文预测子系统主要是基于SVM，利用综合评判的思想将传统模型和推理模型加入到预测子系统，以使预测结果科学合理。此外，本文利用实例数据对灰色预测方法和回归支持向量机的预测结果进行了比较分析，目的是为今后的研究工作找到合适的研究工具和研究资料。本文另一个重要的部分是对预警子系统的设计，在支撑理论方面做了一些原创性的工作--证明匹配定理和编写遗传算法的Java程序。选择支持向量机这种机器学习的方法还可以利用在其模式识别领域的多年的研究经验来对预警子系统进行改进。最后，本文利用上述理论，对电力负荷预测预警系统的系统框架进行了初步的研究，利用系统模块思想提出了由4个子系统组成：噪声分析子系统、预测分析子系统、匹配预警子系统以及二次防御子系统。其中噪声分析子系统和二次防御子系统具有辅助作用，但是必不可少，同时这两个子系统也是本文的创新点。本文在组织上是这样安排的，首先，在统计学习理论的基础上，阐述了学习器SVM在分类和回归的基础理论。其次，本文讨论了遗传算法，给出其Java程序的相关说明并证明了匹配定理。最后，给出了电力负荷预测预警系统的基本流程图。论文中的图24幅，表6个，参考文献45篇。10.会议论文张林.罗晓初.徐瑞林.赵理电力负荷预测的进化SVM模型算法研究2006传统方法难以精确描述电力系统的复杂非线性特征,因而无法进行更精确负荷预测,这是由于电力系统的负荷是复杂大系统具有不确定、非线性、动态开放性.本文提出的新的基于时间序列的进化支持向量机(SVM)的负荷预测方法.该方法避免了SVM方法人为控制核函数和参数的传统模式,而是采用单纯形-小生境遗传算法对其进行快速的局部和全局寻优,具有更好的泛化性能和收敛精度,减少了对经验的依赖.同时,时间序列考虑了趋势分量和周期分量,使负荷预测模型更加符合电力负荷特性.该方法在电网实际负荷预测中和真实值的比较证明本文提出的负荷预测模型是最优的实用模型.本文链接：：上海海事大学(wflshyxy)，授权号：5fb1b225-b5ed-40d4-a62b-9de5010c2b82下载时间：2010年9月2日