采用支持向量机图形用户界面的电力负荷组合预测方法 Combined Power Load Forecasting Method Using Support Vector Machine Graphical User Interface.pdfVIP

基L拦eTR：0箩0WER囊蓦GlNE仨建l辩G 第29卷第12期 电力科学与工程 V01．29．No．12 18 Electric and PowerScience Dec．．2013 2013年12月 Engineering 采用支持向量机图形用户界面的电力负荷组合预测方法 周任军1，赵慧材1，方昀晖2，刘巍2 (1．长沙理工大学智能电网运行与控制湖南省重点实验室，湖南长沙410114； 2．湖南省电力公司，湖南长沙410007) 摘要：运用多种预测方法对中长期电力负荷预测所得结果会相差甚远，而综合各方法的组合预测能够避 免其偏颇。由于在小样本和非线性拟合能力方面的优势，支持向量机方法被用于组合预测：多种传统方 法预测值作为输入，拟合输入与输出之间的非线性关系，求得预测结果。针对SVM在处理回归问题时算 User Interface，GUI) 法编程及参数寻优较为复杂的问题，提出了一种基于SVM图形用户界面(Graphical 工具箱的组合预测方法。算例分析表明，运用该方法，在预测过程中可直观、方便地应用通用软件工具 包，且预测精度较高，便于推广和工程应用。 关键词：电力负荷；组合预测；支持向量机；图形用户界面 中图分类号iTM715文献标识码：A DOI：10．3969／j．issn．1672—0792．2013．12．004 Vector 大等问题。支持向量机(SupportMachine， 0 引言 SVM)是一种机器学习算法‘71，它实现了结构风 险最小化，且对未来样本有较好的泛化性能，其 中长期负荷预测¨-是电力规划和调度运行的 引入电力系统负荷预测领域取得了明显成效¨’9o； 重要基础。由于影响负荷有诸多因素和不确定性， 但SVM算法及参数寻优编程过程较为复杂，难以 各种预测方法旧’3’均有其特点和缺陷，预测结果难 推广工程应用，因此，本文提出利用其SVM图形 以令人满意。组合预测模型可综合利用各种方法 用户界面工具箱，以使组合预测可省略复杂的编 提供的信息，将多种预测结果进行总体性综合考 程过程，使用过程简单方便且直观形象。 虑，因而比单个模型更系统、更全面。贝茨 1组合预测模型 (Bates)和格兰杰(Granger)证明了两种或两种 以上无偏的单项预测可以组合出优于每个单项的 设某预测问题在时刻t(t=1，2，…，n)的 预测结果，预测精度能有效地提高Ho。 实际观测值为Y，，对该问题提出了m种可行的预 组合预测”1根据权系数的不同，分为固定权 测方法，其预测值为，，(J=1，2，…，m)。又设 系数和变权系数两种组合预测模型。后者将权系 r／z种预测方法的加权系数分别为w。组合预测的