基于最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)模型的研究.pdf

1、短期負(fù)荷預(yù)測(cè)是負(fù)荷預(yù)測(cè)的重要組成部分，它對(duì)于機(jī)組最優(yōu)組合、經(jīng)濟(jì)調(diào)度、最優(yōu)潮流、電力市場(chǎng)交易都有著重要的意義。短期負(fù)荷預(yù)測(cè)是以月、周、天、小時(shí)為單位的負(fù)荷預(yù)測(cè)，主要用于電力系統(tǒng)的調(diào)度。準(zhǔn)確的短期負(fù)荷預(yù)測(cè)結(jié)果有利于做出適當(dāng)?shù)挠?jì)劃電力交易量，采用恰當(dāng)?shù)倪\(yùn)行計(jì)劃和競(jìng)標(biāo)策略，也有利于用電計(jì)劃的管理，節(jié)煤、節(jié)油和降低發(fā)電成本，制訂合理的電源建設(shè)規(guī)劃，提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益。因此，尋求合適的負(fù)荷預(yù)測(cè)方法最大限度的提高預(yù)測(cè)精度具有重要的應(yīng)用價(jià)

2、值。
　　論文首先闡述了負(fù)荷預(yù)測(cè)的國(guó)內(nèi)外的研究現(xiàn)狀，分析了短期負(fù)荷預(yù)測(cè)的特點(diǎn)及其影響因素，歸納了短期負(fù)荷預(yù)測(cè)的常用方法，并說(shuō)明了各種方法的優(yōu)劣；然后詳細(xì)說(shuō)明了支持向量機(jī)(SVM)的理論基礎(chǔ)和原理，推導(dǎo)了SVM回歸模型；根據(jù)洛陽(yáng)某地區(qū)的歷史負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)，分析各種因素對(duì)預(yù)測(cè)的影響，闡述了負(fù)荷變化的周期規(guī)律，對(duì)歷史負(fù)荷數(shù)據(jù)中的“異常數(shù)據(jù)”進(jìn)行修正，對(duì)負(fù)荷預(yù)測(cè)中要考慮的相關(guān)因素進(jìn)行了歸一化處理，采用最小二乘支持向量機(jī)(LS-SVM)

3、模型進(jìn)行預(yù)測(cè)。然而LS-SVM中的兩個(gè)參數(shù)對(duì)模型有很大影響，而目前參數(shù)的選取依然是基于經(jīng)驗(yàn)上的，預(yù)測(cè)的誤差就會(huì)很大。最后，本文采用粒子群優(yōu)化算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)，將支持向量機(jī)的參數(shù)選擇問(wèn)題視為在給定空間的全局搜索問(wèn)題，以測(cè)試樣本集的平均誤差作為算法結(jié)束的判斷條件，實(shí)現(xiàn)了支持向量機(jī)參數(shù)的自動(dòng)優(yōu)化選取。
　　本文建立了基于粒子群優(yōu)化的最小二乘支持向量機(jī)模型，實(shí)現(xiàn)了模型參數(shù)的優(yōu)化選擇，使得預(yù)測(cè)精度有所提高。實(shí)際算例表明，本文的預(yù)測(cè)方法