基于最小二乘的支持向量机在电力需求预测中的应用.pdfVIP

第13卷专辑 中国管理科学 2005年10月 Chinese of Journal Science Management 0ctober，2005 文章编号：1003—207(2005)zk一0076—05 基于最小二乘的支持向量机在电力需求预测中的应用 黄元生，郑 燕，乞建勋 (华北电力大学工商管理学院，河北保定071003) 摘 要：文章针对常规电力需求预测方法的不足，在分析SVM的线性和非线性分类方法的基础上提出一种基于最 小二乘的支持向景机预测方法。Ls—SVM模型采用结构风险最小化原则，能够在对小样本学习的基础上，对其他 样本快速、准确的拟合预测，具有更好的泛化性能和精度，减少对初始值的依赖。文章采用河北省某市实际的负荷 数据，按照不同的负荷日属性和历史数据属性进行样本选择，使用径向基核函数进行了电力需求预测。将预测结 果与真实值和由时间序列及BP神经网络方法得到的结论进行比较，表明所提出的预测模型具有较高的精度，是有 效和可行的。 关键词：电力需求预测；结构风险最小化；最小二乘支持向量机；核函数 中图分类号：F273 文献标识码：A 针对这些问题，本文研究了基于最小二乘的支 1 引言 持向量机在电力需求预测中的应用。支持向量机 电力是国民经济的先行行业，形成供电能力所 Vector (Support 需的投资大、周期长，一旦对电力供需预测失误，影 nik在1963年提出的用于解决模式识别问题的支持 响是全局性的。顺利进行电力供应的一项重要前提 向量方法，这种方法从训练集中选择一组特征子集， 工作是对电力需求进行准确预测。电力需求预测是 使得对特征子集的线性划分等价于对整个数据集的 典型的非线性问题，难以用简单的数学模型来描述。 分割。在此后近30年中，对SV的研究主要集中在 现有预测方法可以分为两类：一类是以时间序列为 对分类函数的改进和函数预测上。Kimeldorf在 代表的传统方法，如产值单耗法、趋势外推法、时间 1971年提出使用线性不等约束重新构造SV的核空 序列法¨。、电力消费弹性系数法、人均用电水平法、 间，解决了一部分线性不可分的问题。SVM是建立 回归分析法等；另一类是新型智能方法，如：模糊逻 在统计学理论的VC维理论和结构风险最小原理的 辑法、专家系统法旧。、灰色模型法。、神经网络 基础上，所以能够较好地解决小样本、非线性和局部 法H1、卡尔曼滤波法1、小波变换分析法¨。、优选组 极小点等实际问题∽“1，已成功应用于分类、函数 合预测等方法。由于计算简单、容易操作，生产实际 逼近和时间序列预测等方面¨“”。。 中常采用传统方法进行预测。但是传统方法的最大 2支持向量机(SVM)的基本原理 缺陷是预测精度低，无法考虑诸多复杂的影响因素。 智能预测中，神经网络法是具有代表性并最为常用 支持向量机(SVM)是从线性可分情况下的最 的方法，已取得一些成功的应用儿“，在处理负荷和 优分类面发展而来的，基本思想可用图1来说明。 影响因素之间的非线性关系以及预测精度方面比传 图中实心点和空心点分别代表两类样本，H为分类 统方法有明显优势，但是这些方法的最终解过于依 线，H1、H2是过各类离分类线最近的样本且平行于 赖初值，存在过学习现象，训练过程中存在局部极 分类线的直线。最优分类线就是要求分类线不但能 小，收敛速度比较慢。