基于vSVR的电力系统短期负荷预测.pdfVIP

◎……… 论文集 2005年学术年会 基于v—SVR的电力系统短期负荷预测 刘耀年，何昌皓 (东北电力学院电气工程学院，吉林132012) 摘要：提出了基于v-SVR的电力系统短期负荷预测方法：将多项式函数和径向基函数作为核函数，进 行了预测研究。研究结果表明，SVR方法要比BP和模糊聚类方法具有很高的预测精度。将SVR预测方 法应用于实际电力系统负荷预测，与实际值比较表明该预测方法是可行和有效的。 关键词：支持向量回归机：核函数；短期负荷预测 1引言 电力系统短期负荷预测是保证电力系统安全经济运行和实现电网科学管理及调度的重要依据， 也是能量管理系统(EMS)和配电管理系统(DMS)的重要组成部分。 短期负荷预测的方法有时间序列分析、概率统计等传统方法和以人工神经网络为代表的基于人 工智能理论的现代化方法【l一。传统方法由于难以建立有效的数学模型，对影响负荷的气象等因素难 以考虑等原因，致使预测结果精度不高【3】。基于神经网络的预测方法[4．51，在应用中要求训练样本数 量大，存在训练时间长和局部极小值等问题，限制了它的应用。 Vector Vector 支持向量机SVM(SupportMachine)和支持向量回归机SVR(Supportregression)是V． Vapnik提出的针对分类和回归问题的统计学习理论。SVM基于结构风险最小化理论，在特征空间 中构建最优分割超平面，使得学习得到全局最优化。SVM在对线性可分情况进行分析时，对于不可 分问题，通过非线性映射算法，将低维输入空间线性不可分的样本转化为高维特征空间使其线性可 分，从而使得非线性特征进行线性分析成为可能。 文献【6】提出了基于支持向量机的电力负荷预测方法，证明了方法的有效性。然而，该方法需要 事先确定不敏感损失函数中的参数s，在某些情况下选择合适的￡并不是一件容易的事情。本文以多 项式函数为核函数，提出了基于v-SVR的短期电力负荷预测方法。 2 SVR的基本原理 统计学习理论是一种专门研究小样本情况下机器学习规律的理论，支持向量机通过结构风险最 小化原理来提高泛化能力，较好地解决了小样本、非线性、高维数、局部极小点等实际问题。 2．1 s-支持向量回归机 SVM与SVR的基本思想是：对于非线性关系的样本，选择一个非线性变换9(．)，将工从原空 间映射到高维特征空间F，在F中构造的最优线性回归函数，可以得到在原空间的非线性回归的效 果。在F中构造最优线性回归函数为 ，∞=够妒0)+b (1) 式中b为阈值，劝权值矢量。应用结构风险最小化原理，风险是用￡不敏感损失函数来度量的， 其定义如下： ·—-34·—— ◎……… 论文集 2005年学术年会 L(y一，(工)，工)=IY一，(石)I。= f 0 IY—f(x，to)l≤s． 【ly—f(x，酬一￡其它 (2) 式(2)表明，当预测值与实际值之差的绝对值不大于￡时，可忽略这部分；当差的绝对值大于￡时， 令其大小为超出的部分。 为训练b和∞，需要极小化下面的泛函 盹功=三塾(咒一删砧毛缈缈 ㈤ 式(3)中第一项为经验误差项，第二项为正规项；C称为正规化常数，它确定了经验误差项与正规 项之间的某种平衡关系，C值越大，经验误差项在式(3)中起的作用越大。 对于式(3)，由于特征空间的高维且目标函数不可微，所以不可能直接求解。解决的办法是引 入核函数K(而，xj)，利用w．olfe．对偶将上述问题转换为下面的对偶问题’ 仿 一口?) 蚴、1．pI