基于支持向量回归机的短期电力负荷预测.pdfVIP

基于支持向量回归机的短觏电力负荷预钡4 I曼皇曼曼皇曼 基于支持向量回归机的短期电力负荷预测 刘耀年王浩何昌浩何萍 (东北电力学院电力工程系132012) 摘 要 提出了基于P支持向量回归机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，SⅧ方法要比BP和模糊聚类方法具有很高的预测精度。将SvM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：支持向量核函数短期负荷预测 1引言 电力系统短期负荷变化是一个是受气象、节假日等因素影响的随机过程，其预测实质上是依 据某一随机过程的负荷时间序列建立一个合适的数学模型来描述该随机过程，是根据电力负荷的 过去和现在推测将来的数值。 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：【．．神经网络为代表的基于 人工智能理论的现代化方法【l2】。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，取得了一些很成功的 应用【4-5】，但是在应用中要求训练样本数量大，考虑影响因素时网络结构复杂，存在训练时间长和I 局部极小值等问题，限制了它的应用。 Vector Machine)是Bell实验室的V 支持向量机SVM(Support Vapnik提出的针对分类和回归 问题的统计学习理论。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：SVM是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，并且在整个样本空间的期望风险以某个概率满足一定上界要求。 文献{6】提出了基于占．支持向量回归机的电力负荷预测方法，证明了方法的有效性。然而， 在占．支持向量回归机中，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占 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-支持向量回归机的短期电力 负荷预测方法。 2SvM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，支持向量机是在这一理论 基础上发展起来的一种新的分类和回归的工具。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占一支持向量回归机 SVM是统计学习理论的一种通用学习方法，其基本思想是：对于非线性关系的样本，选择一 个非线性变换矽(．)，将x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 第十届全国电工数学学术年会论文集 厂@)=缈伊∞+b (1) 式中b为阈值，国为权值矢量。应用结构风险最小化原理，风险是用Vapnik的F不敏感损失函数 来度量的，占不敏感损失函数定义如下： L(y一／(x)，工)=Iy一厂(工)I。= l 0 IY—f(x，国)I≤s 【ly一厂(x，∞)l_占其它 (2) 式(2)表明，当预测值与实际值之差的绝对值不大于占时，可忽略这部分；当差的绝对值大于占时， 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 讹印=；C酗m∽一讹)，葺)毛… (3) 式C3)e0第一项为经验误差项，第二项为正