LSSVM增量式训练的稀疏化算法在短期负荷预测中的应用.pdfVIP

维普资讯 第 24卷 第 6期 现 代 电 力 Vo1．24 No．6 2007年 12月 Modern E1ectricPower DeC． 2007 文章编号：1007—2322(2007)06—0021—04 文献标识码：A 中图分类号：TM714 LSSVM增量式训练的稀疏化算法在短期 负荷预测中的应用 姜成元，沈轶群，陈灵根，李玉玲 (东北电力大学电气工程学院，吉林吉林 132012) Short-term LoadForecastingApproachBasedonImposingSparseness uponLSSVM IncrementalTrainingAlgorithm JiangChengyuan，ShenYiqun，ChenLinggen，LiYuling (CollegeofElectricalEngineering，NortheastDianliUniversity，Jilin 132012，China) 摘 要：最小二乘支持向量机与传统支持向量机相比在训f练 电力市场交易管理系统中必不可少的一部分[】]。预 速度上有所提高，但当训练样本数 目较大时，训练速度也相 测精度高、能够考虑各种影响因素的预测方法越来 对缓慢。针对这一特点，对最小二乘支持向量机用增量式训 越受到重视。 练方法，使训练速度得到进一步提高 ，但是与传统支持向量 近年来，支持向量机 (SVM)算法在预测理论 机相比，丧失了解的稀疏性 ，影响了二次学习的效率。因此 中得到了全面深入的发展，已成为机器学习和数据 通过改进的剪枝算法对解进行了稀疏化处理，将此方法应用 在电力系统短期负荷预测中，并对其预测结果与支持向量机 挖掘领域的标准工具[z]。为了能够对大样本进行学 进行分析比较，预测的准确性得到了进一步提高。 习，Suyken提 出了最小二乘支持 向量机 (LSS— 关键词：最小二乘支持向量机 ；增量式训练；短期负荷预 VM)，由于算法仅考虑等式约束，失去了SVM解 测：剪枝算法 ；稀疏化 的稀疏性，因此样本数量对 LSSVM算法的速度仍 有较大的影响[3]。 Abstract：Compared with the support vector machine (SVM)，theleastsquaressupportvectormachine(LSSVM) 本文对最小二乘支持向量机(LSSVM)进行增 canimprovethecomputingspeed．However,whenthesam- 量式训练[4]，使训练速度得到大幅度提高，应用改 piesizeislarge，thetrainingspeed isalso relativelyslow ． 进的剪枝算法Is]对解进行稀疏化处理，与最小二乘 Consideringthis，L~SVM incrementaltrainingalgorithm is 支持向量机相比降低了计算的复杂度，提高了计算 applied to increase the training spe ed． Compared with 速度，算法在短期负荷预测 中得到较好 的预测结 SVM 。itlossesthesparsenessofsolution，whichinfluences 果