基于競爭型ISPO雙胞支持向量回歸短期負荷預測.pdf

1、隨著電力價格競爭機制的引入和電力市場改革的深入，電力部門對短期負荷預測的精度和速度提出了更高的要求。雙胞支持向量回歸(Twin Support VectorRegression，TSVR)是從支持向量回歸(Support Vector Regression，SVR)的基礎上發(fā)展而來，具有結構簡單，泛化能力強，全局最優(yōu)等特點，并且具有更快的訓練速度。然而雙胞支持向量回歸參數(shù)的選擇盲目、費時、費力，且無法實現(xiàn)自動選擇，這嚴重影響了算法的學習

2、和泛化能力。針對這些缺點，本文提出了一種新的競爭型智能單粒子算法(Competitive Intelligent Single Particle Optimizer，CISPO)對雙胞支持向量回歸的參數(shù)進行優(yōu)化。CISPO克服了智能單粒子算法(Intelligent Single ParticleOptimizer, ISPO)在搜索最優(yōu)解過程中方向性差，搜索尺度混亂并且具有大量未確定參數(shù)等缺陷。算法通過引入迭代競爭因子，使其具有更優(yōu)的

3、全局搜索能力，并且使參數(shù)隨著每次的迭代自動調(diào)整，避免了智能單粒子算法參數(shù)選取的難題。建立CISPO-TSVR模型，利用CISPO優(yōu)化TSVR的參數(shù)，實現(xiàn)了參數(shù)尋優(yōu)的自動化，既能發(fā)揮TSVR的泛化能力，又能改善智能單粒子算法全局搜索能力，將CISPO-TSVR模型應用到電力系統(tǒng)的短期負荷預測中，能有效地提高短期負荷預測的精度和速度。主要內(nèi)容包括:
　　本文首先系統(tǒng)地闡述電力系統(tǒng)短期負荷預測的研究意義和國內(nèi)外的研究現(xiàn)狀，分析了常用的各

4、種短期負荷預測的方法以及其優(yōu)缺點。接著對機器學習和統(tǒng)計學習理論進行深入研究，理解支持向量回歸理論和雙胞支持向量回歸理論的具體內(nèi)容。隨后研究基于雙胞支持向量回歸的短期負荷預測，通過分析廣東省某地區(qū)的負荷特性，確定影響該地區(qū)負荷的主要因素;分析歷史異常數(shù)據(jù)對預測的影響以及剔除異常數(shù)據(jù)的方法，給出了基于雙胞支持向量回歸短期負荷預測的具體步驟，并分析參數(shù)選取對于雙胞支持向量回歸效果的影響。然后深入地研究智能單粒子算法，通過對其所存在的搜索尺度混