基于最小二乘支持向量機的短期負荷預測.pdf

1、短期負荷預測是電力企業(yè)日常經(jīng)營管理工作的重要組成部分，其重要性不言而喻。支持向量機(SVM)作為新型的機器學習工具，具有深厚的理論基礎，收斂時間短、預測精度高、可調(diào)參數(shù)少且結構容易確定，需要的先驗信息和使用技巧少，在短期負荷預測的應用中具有顯著的優(yōu)越性。
　　 本文在全面總結支持向量機在短期負荷預測中的應用概況和現(xiàn)有問題的基礎上，針對支持向量機應用于短期負荷預測展開了幾個方面的研究工作：
　　 (1)通過改進的粒子群優(yōu)化

2、算法(PSO)對最小二乘支持向量機的模型參數(shù)進行自適應尋優(yōu)，避免預測過程中對模型參數(shù)的盲目選擇。
　　 (2)針對縣級電網(wǎng)負荷曲線波動大毛刺多的特點，采用了小波分析對負荷數(shù)據(jù)進行預處理。
　　 (3)采用粗糙集屬性約簡原理對各條件屬性進行預處理，得到更為合理的最小二乘支持向量機輸入?yún)⒘?，得到待預測日的峰谷值后，采用灰色關聯(lián)度法取得相似日的日負荷變化系數(shù)，從而反推出待預測日的日負荷曲線。
　　 (4)混合預測模型是