基于主成分分析的最小二乘支持向量机短期负荷预测模型 short-term load forecasting model based on ls-svm with pca.pdfVIP

第28卷第1】期 电力自动化设备 V01．28No．11 1月 Elec丽·PowerAuttmati。n 2008年1 Equipmt．nt Nov．2008@ I ■ II ■ ■■■———●■●—一I—— II I I●——■■—●——__一 基于主成分分析的最小二乘支持 向量机短期负荷预测模型 刘宝英，杨仁刚 (中国农业大学信息与电气工程学院，北京100083) 摘要：提出了一种基于主成分分析(PCA)的最小二乘支持向量机(ts—SVM)短期负荷预测模型．模 型中引入多元统计分析中的主成分分析理论来解决输入变量的选择问题。该模型首先对样本的高 维变量数据矩阵进行标准化处理，建立相关矩阵，计算特征值和特征向量，然后求取累计方差贡献 率。并据此求取主成分作为最小二乘支持向量机的输入进行训练预测。主成分以较少的维数包含了 原高维变量所携带的大部分信息。全面地考虑了影响负荷预测的各种因素．又避免了过多的输入 导致的精度低、训练慢的不足。实例表明，所提方法可有效地消除众多影响因素间的相关性。减少 输入变量个数．提高预测效率和精度。 关键词：短期负荷预测；影响因素；主成分分析；最小二乘支持向量机 中图分类号：TM715 文献标识码：A 从中提取主成分，尽可能多地包含了所有原变量的 0引言 信息。同时有效降低维数。使问题简化。因此，这里 长期以来，国内外学者对电力系统负荷预测的 将主成分分析和最小二乘支持向量机结合起来．发 理论和方法作了大量研究，提出了多种负荷预测方 挥各自的优点．既全面考虑了影响负荷预测的各种 法[卜73．如神经网络法【l|、粗糙集…、模糊聚类方法[引、因素，又避免了由于输入变量间的相关性导致预测 灰色方法H】等。其中，支持向量机法采用结构风险最 精度低以及数目过多而导致的计算复杂、训练时间 小化原理．同时最小化训练样本的经验风险和置 长等不足。 信范围．能自动解决网络结构问题，有效克服了神经 1 主成分分析法原理 网络基于风险最小化原理的一些弊端，目前被认为 是神经网络的替代方法【6】。最小二乘支持向量机【8’是 主成分分析是由Hotelling提出的一种多元统计 标准支持向量机的一种扩展，其优化指标采用平方 分析方法。该方法通过构造原变量的一系列线性组 项．并用等式约束代替标准支持向量机的不等式约 合形成新变量，使这些新变量在彼此互不相关的前 束，将二次规划问题转化为线性方程组求解，降低了 提下尽可能多地反映原变量的信息。数据信息主要 计算的复杂性，提高了求解速度。 反映在数据变量的方差上，方差越大，包含信息越 影响负荷变化的因素非常多，但输入变量过多， 多，通常用累计方差贡献率来衡量。主成分分析是： 网络结构复杂，加重训练负担，影响学习速度；主观 对多个样本的输入变量形成的数据矩阵求取相关矩 筛选则很有可能丢失某些重要影响因素，降低预测性 阵，根据相关矩阵的特征值，获得累计方差贡献率； 能。因而预测模型输入变量的合理选择是影响预测 根据相关矩阵的特征向量，确定主成分。具体的计 效果的关键问题。文献[1．2]采用粗糙集理论对影响 算分为4个步骤。 因子进行属性约简、去除冗余信息，用得到的属性作