SVM与Fourier算法在电网短期负荷预测中的应用.pdf

第32 卷 第4 期 继电器 Voi. 32 No. 4 2004 年2 月16 日 RELAY Feb. 16 ，2004 17 SVM 与Fourier 算法在电网短期负荷预测中的应用 杨镜非，谢宏，程浩忠 （上海交通大学电气工程系，上海200030 ） 摘要：将Fourier（傅立叶）算法与SVM（支持向量机）共同引入电网短期负荷预测。对于波动性较大的负荷， Fourier 算法用于滤除高次谐波分量。SVM 用于对滤除了高次分量的数据进行统计学习，它首先筛选与预测 点相关的历史数据构成训练样本，再将预测的平滑性和误差损失函数相结合构成问题的目标函数进行求解。 编制了相应的软件，对某实际电网进行了短期负荷预测，取得了理想的结果。 关键词：负荷预测； 支持向量机； 傅立叶算法； 损失函数； 核函数 中图分类号：TM715 文献标识码：A 文章编号：1003-4897（2004 ）04-0017-03 SVM 算法对于预测负荷曲线较平滑的系统，能 0 引言 够取得较理想的效果。但是，对于惯性较小、随机波 电力系统负荷预测是电网能量管理系统的重要 动性较强的中小型电网，其效果相对较差。改进的 内容，通过精确的负荷预测，可以经济合理地安排机 方法是，先采用Fourier 算法将历史负荷曲线分解为 组启停，减少旋转备用容量，合理安排检修计划，降 平滑曲线和随机波动曲线两部分，只采用平滑部分 低发电成本，提高经济效益。常用的方法有非线性 作为SVM 的历史训练数据，能够取得更好的效果。 回归、神经网络法、时间序列法、模糊理论等。非线 1 SVM 线性回归模型 性回归和时间序列法在电网情况正常、生产和气象 变化不大的时候预测效果良好，但不能考虑一些影 假设有一组训练数据，其中第i 个数据包含变量 响负荷的要素，如休息日、气象等，当这些因素发生 x Rn 和与之相对应的变量y R ，SVM 定义了一种 i E i E 突变时预测精度受到影响。神经网络和模糊理论考 机器（machine ），用于确定x 到y 的映射关系X f 虑到了影响负荷的一些不确定因素，但没有彻底解 （X ，），为可调参数，通过对已知数据的学习来确 ! ! 决网络结构设计的难题，且需要较长的训练时间。 定它。在线性回归中，定义映射函数f （x ）= ，x SVM（支持向量机）是由Vapnik［1］最早提出的 + b ， Rn ，y R ，并要求：1 ）找到最小的 以保证 E E 一种统计学习方法，近年来已经被成功地应用于语 曲线的平滑性，一种常用的方法是使得 的欧氏二范 音识别、文字