基于SVM回归模型中长期电力负荷预测方法.docVIP

基于SVM回归模型中长期电力负荷预测方法摘要 电力负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性。电力负荷中长期预测在电力建设规划中显得尤其重要。本文以电力中长期负荷预测为应用背景，研究了基于支持向量机回归方法算法的电力负荷预测方法模型。预测验算结果显示预测精度高，支持向量机是一种非常有效的预测工具。 关键词 支持向量机；电力负荷预测；结构风险最小化；支持向量回归 一、引言 电力工业是国民经济的基础工业，为社会和经济的发展供能源和动力的巨大网络。系统内的可用发电容量，在正常运行条件下，应当在任何时候都能满足系统内负荷的要求。因此，对未来本电网内负荷变化的趋势与特点的预测，是一个电网调度部门和规划部门所必须具有的基本信息之一。电力负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套能系统地预测未来电力负荷的数学方法，在满足一定精度要求的前提下，确定某特定时刻的电力负荷数值。电力负荷预测中经常按时间期限进行分类，通常分为长期、中期、短期和超短期负荷预测。电力负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。然而，近年来由于电力供应不足造成的“电荒”事件屡屡大面积发生，说明当前的中、长期负荷预测研究与实际应用还有不小的差距，在这样的情况下，研究并提出更新、更有效的中长期负荷预测研究算法在当前的电力建设中具有非常重要的意义。 中长期负荷预测的传统算法主要包括弹性系数法、趋势外推法、时间序列法、回归预测法等。但存在着如模型的定阶、求解、识别困难、模型适应性不强、建模所需的数据量大以及预测精度不高等缺点。于是，一些专家和学者开始致力于中长期负荷预测现代算法的研究，主要包括灰色理论、优选组合、专家系统和神经网络等。支持向量机(Support vector machines，SVM)是在统计学习理论基础上发展起来的一种新的分类和回归的工具。通过结构风险最小化原理来提高泛化能力，较好的解决了小样本、非线性、高维数、局部极小点等实际问题，已在模式识别、信号处理函数逼近等领域得到了应用。本文将支持向量机回归的方法应用电力负荷的预测研究中。通过对我国北方某些城市电力负荷数据的分析，利用支持向量回归的理论，对该某城市2006-2010年电力负荷进行预测。预测结果显示，这种新的机器学习方法具有很好的效果。 二、支持向量机和支持向量回归的原理 经验风险最小化原则一直是统计模式识别等统计机器学习问题的基本思想，在此思想的指导下，主要解决如何更好地求取最小经验风险(训练误差最小)。支持向量机(SVM)是统计学习理论的一种通用学习方法，一种新的和很有潜力的数据分类和回归的工具。其基本思想为：首先通过非线性变换将输入空间变换到一个高维的特征空间，然后在这个特征空间中求取最优线性分类面使分类边界，即分类平面和最近点(支持向量)之问的距离最大，并且这种非线性变换是通过定义合适的核函数来实现，然后将SVM问题转化为一个二次规划问题，从而求解。支持向量回归方法避免了数据的欠拟合和过拟合，因此支持向量回归是一个更通用和更灵活的解决回归问题的工具。下面简要介绍可以用于时间序列预测的支持向量机回归的原理。 其中，通过非线性映射Φ函数被映射到高维空间。ξ，ξ*分别为在误差ε约束下|yi－[wTΦ(xi)＋b]|＜ε的训练误差的上限和下限。ε定义了ε不敏感代价函数( Insensitive Cost Function)的误差。当预测值在定义的误差ε内，代价函数为0；当预测值在定义的误差ε外时，代价函数为预测值与误差ε的差的幅值。常数C＞0，它控制对超出误差的样本的惩罚的程度。 三、支持向量回归的电力负荷预测方法 (一)影响电力负荷变化的因素 用电分类用于说明国民经济各部门用电情况和变化规律，它是反映电气化的发展水平和趋势的指标，用于分析研究经济增长与电力生产增长、社会产品增长与电力消耗量增长的相互关系，是负荷预测和电力分配的依据。为适应我国经济结构的变化，并与国际惯例接轨，又将电力负荷按国民经济统计分类方法划分为第一产业主要是农业用电，第二产业主要是工业用电，第三产业除第一、二产业以外的其他事业，如商业、旅游业、金融业、餐饮业及房地产业等用电和居民生活用电。特别是在研究全国、电力系统或地区的电力规划时，目前广泛采用按产业划分电力负荷的分类方法。因此，影响一个地区的电力负荷变化的因素本文选取：第一产业产值、第二产业产值、第三产业产值以及该地区的人口数。 (二)用于负荷预测的SVM基本模型及算例分析 电力系统负荷主要由第一产业用电，第二产业用电，第三产业用电和居民生活用电构成。在经济学上，对第一、二、三产业用电负