基于支持向量机的短期负荷预测.docVIP

基于支持向量机的短期负荷预测 　　【摘要】电力负荷预测的准确性对电力系统安全运行和经济建设有着越来越显著的作用。本文提出一种基于支持向量机的电力系统短期负荷预测方法，将 SVM 引入短期负荷预测，通过不断输入新的负荷数据来更新回归函数，以获得更快的计算速度和较好的预测精度，以佛山地区的负荷数据，结果证明了该方法预测速度快，并且能提高电力负荷的预测精度。 　　【关键词】电力系统;无功优化;潮流计算;简化梯度法 　　1.引言 　　电力系统负荷预测是一项重要的基础性工作，是电力系统规划的核心问题之一，是制定发电计划和输电方案的主要依据。长期以来，在这一领域出现了多种负荷预测方法，主要可分为以时间序列为主的传统方法和以神经网络为主的机器学习方法。传统方法具有运算简单，运行速度快等优点，但是由于模型简单，在电力发展的过程中难以模拟日益复杂的负荷;而机器学习方法有着强大的统计理论依据，在大规模信息处理和学习能力取得了较大进展，但其模型较为复杂，网络结构难以确定，收敛速度较慢，得到的最终解过于依赖初值。20世纪90年代中期，Vapnik 等人在扎实的统计理论基础上提出了一种基于结构风险最小化原则（Structural Risk Minimization， SRM）的新型机器学习算法――支持向量机（Support Vector Machines，简称SVM）方法。它的核心问题是寻找一种归纳原则以实现最小化风险泛函，从而得到最佳的推广。支持向量机方法解决了两个难题：（1）在分析过程中应用核函数的展开定理， 所以不需要核函数的完整表达式;（2）在高维特征空间中用线性回归的方法来进行预测，几乎不增加计算的复杂性，这也就避免了很多人担心升维过程可能出现的维数灾。它避免了人工神经网络等方法的网络结构难于确定、过学习和欠学习以及局部极小等问题， 被认为是目前针对小样本的分类、回归等问题的最佳理论，为解决非线性问题提供了一个新思路。SVM方法是目前统计学中较为年轻的内容，还处于发展当中。 　　在对一些数据进行统计分析过程中，降维（即把样本空间向低维空间做投影）是首选，因为可以降低计算上的困难。而升维一般只会只会增加计算的复杂性， 甚至会引起维数灾。但是作为分类、回归等问题来说， 很可能在低维样本空间无法线性处理的样本集， 在高维特征空间却可以通过一个线性超平面实现线性划分（或回归）， 而与特征空间的线性划分（或回归）相对应的却是样本空间的非线性分类（或回归）。自然发生的两个问题是如何求得非线性映射和解决算法的复杂性。 　　2.支持向量机回归原理 　　给定训练集： 　　 （1） 　　其中，为N维向量， ;根据训练样本集在Rn空间上寻求一个实值函数g（x），以便用y=g（x）来推断任一输入x所对应的输出值y。 　　显然，空间Rn上的线性函数对应于空间Rn×R上的一个超平面。所以从几何上看，线性回归就是在给定训练集（1）的条件下寻找一个n+1维空间Rn+1上的超平面。给定0，若超平面满足，即，该超平面的-带包含了训练集T中的所欲训练点，则称该超平面为训练集T的硬-带超平面。 　　当充分大时，硬-带超平面总是存在的。 　　2.1 线性可分问题情况 　　存在最优值，使当时，硬-带超平面不存在;时，训练集T的所有训练点都在硬-带超平面内。这时的硬-带超平面可以看作完全正确划分训练集： 　　（2） 　　的超平面。其一般形式为，即超平面的法向量的形式应为，其中是与x对应的n维向量，是与y对应的实数。由此可得凸二次规划问题： 　　（3） 　　求出其解后，便得到分划超平面： 　　 （4） 　　由此可得出线性回归函数： 　　（5） 　　其中： 　　， 　　2.2 线性不可分的问题情况 　　通过引入一个惩罚变量和松弛变量来软化约束条件，则原公式（3）可以等价转化为： 　　（6） 　　2.3 核函数 　　在低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可空间分。但是，如果直接采用这种技术在高维空间进行分类或回归，则存在确定非线性映射函数的形式和参数、特征空间维数等问题，而最大的障碍则是在高维特征空间运算时存在的“维数灾难”。核函数是支持向量机的精髓。采用核函数技术可以有效地解决这样问题。 　　下面给出核函数的定义： 　　如果存在着从Rn到Hilbert空间H的变换 　　（7） 　　使得（其中（?）表示空间H中的内积），则定义在Rn×Rn上的函数K（x，x）是Rn×Rn的核函数。 　　下面提出几种常用的核函数： 　　1）多项式核函数 　　设d为正整数，则d阶齐次多项式函数K（x，x）=（x，x）d和d阶非齐次多项式函数K（x，x）=（（x，x）+1）d都是核函数。 　　2）Gauss径向