基于多分辨率svm回归估计的短期负荷预测 short term load forecasting based on multi-resolution svm regression.pdfVIP

第31卷第9期 电力系统自动化 V01．31No。9 2007年5月10日 AutomationofElectricPower 10，2007 Systems May 37 基于多分辨率SVM回归估计的短期负荷预测 畅广辉1’2，刘涤尘1，熊浩1 摘要：针对短期负荷预测支持向量机(SVM)方法的局部逼近能力和泛化能力进行研究，将多分辨 率支持向量机(M—sVM)用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线 总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点，设计了负 荷预测数学模型，采用96条回归曲线进行日负荷的曲线预测，并在该模型的基础上采用实际数据 进行验证，分析了这种回归模型的泛化能力。实验结果表明M—SVM模型在预测精度和预测速度 方面具有优良的特性。 关键词：短期负荷预测；支持向量机；多分辨率；泛化能力 中图分类号：TM715 0 引言 1 支持向量机的多元非线性回归估计 电力系统短期负荷预测对电力系统的稳定性和 多元回归估计的目标是依据一套样本(X：，d：) 经济运行意义重大。在电力市场环境下，短期负荷 来估计一个未知的函数(函数形式或系数)，其中X： 预测更对日前市场中报价策略以及次日备用容量的 为第i个样本的咒维输入向量，d。为对应样本输出 安排具有重要影响。 值。对于多元非线性回归估计，引入超平面思想，将 国内外学者对短期负荷预测理论和方法做了大 所有的非线性回归问题映射到一个超特征空间中进 量研究，许多人工智能领域的方法被成功地运用到 行线性回归。SVM对于多元回归问题的解决方法 该领域，主要包括BP神经网络[1刮、模糊理论[4]、贝 也属于这一思路。其基本步骤如下。 叶斯理论E53，以及近年来日渐成熟的粗糙集理论邸1]1．1 建立回归估计式 和支持向量机(SVM)回归估计[8。9]。其中，BP神经 (1) Y一厂(x)一we(x)+b 网络模型以其结构简单、处理问题能力强的特点得 到了广泛应用。然而，从统计学习理论的观点看，神 间到高维特征空问的非线性映射向量；向量w和偏 经网络系列的分类算法只是依据经验风险最小化原 置b为待定参数。 理建立起来的模型，而同时还计及结构风险最小化 1．2建立目标式 原理的模型则是以SVM理论为基础的各种模型， 1)损失函数R。vM为： 它比神经网络具有更强的泛化能力。文献[10]中建 立的多元线性回归估计算法模型，使得之前采用神 “五 6 经网络来解决的问题可以被SVM所取代。但是其 第1部分表示经验风险损失，此处文献[10l定 单核函数的模型在局部空间的分析能力有限，且需