基于支持向量機的組合預測模型及其應用研究.pdf

1、預測廣泛的應用到生活中的各個領域中，目前常用的預測方法有很多種，而支持向量機（SVM）是一種基于統(tǒng)計學理論的新方法，具有很好的推廣能力以及全局最優(yōu)解，在解決小樣本、非線性等問題上有著很大的優(yōu)勢。但由于標準的SVM求解的是二次規(guī)劃問題，計算量比較大，同時單一的預測方法都存在精度都不是很高，參數(shù)不易選擇等問題，針對這些問題做了如下研究工作。
　　本文首先介紹了預測的研究意義以及常用的預測方法，然后對電力短期負荷數(shù)據(jù)分析得到其時間序列是

2、非線性、非平穩(wěn)的，而經(jīng)驗模態(tài)分解（EMD）是一種自適應的非線性處理方法，通過將原始的時間序列分解，可以得到一系列相對比較平穩(wěn)的分量，由于EMD可能會存在模態(tài)混疊的現(xiàn)象，因此在此基礎之上采用集合經(jīng)驗模態(tài)分解（EEMD）對時間序列進行分解。
　　其次，針對SVM計算量較大的問題，采用了最小二乘支持向量機（LSSVM），簡化了計算，然后結(jié)合EEMD提出了EEMD-LSSVM的組合預測模型，并將這一預測模型應用于電力短期負荷預測中。首先利

3、用EEMD對原始數(shù)據(jù)進行分解，然后對分解出來的各個分量分別建立LSSVM模型，再通過貝葉斯證據(jù)框架對模型參數(shù)進行優(yōu)化選擇，最后將各分量的預測結(jié)果疊加得到最終的預測值，仿真結(jié)果表明組合預測模型取得了較好的預測效果，并且EEMD更適合對非平穩(wěn)數(shù)據(jù)進行處理。
　　最后，雖然LSSVM在一定程度上簡化了計算，但LSSVM喪失了稀疏性和魯棒性，基于此，采用了加權最小二乘支持向量機（WLSSVM）。然后對電力短期負荷數(shù)據(jù)進行混沌特性識別，將混