基于PCA-SVM型的中长期电力负荷预测.docVIP

基于PCA-SVM模型的中长期电力负荷预测 詹长杰，周步祥 （四川大学 电气信息学院，成都 610065） 摘要：电力系统负荷预测模型可以分为单一指标模型和信息集（多指标）模型，为客观准确地对中长期负荷预测进行研究，就要避免重要信息的遗漏，尽可能多的考虑与其有关联的信息。针对信息集模型中的大量信息，通过主成分分析法把综合信息集简化为少数几个主成分，降低了数据的维数；引入核函数和对偶技巧对支持向量机算法进行改进，有效避免了维数灾难和目标函数不可微的问题。通过标准SVM和PCA-SVM模型仿真对比，验证PCA-SVM模型预测结果更为准确，所提方法具有一定的实用性和有效性。 关键词：中长期负荷预测；综合信息集；主成分分析；支持向量机 中图分类号：TM 文献标识码：A 文章编号：1001－1390（2015）0－0000－00 The medium and long term power load forecasting model based on PCA-SVM Zhan Changjie，Zhou Buxiang (School of Electrical Engineering and Information, Sichuan University, Provincial-Level Key Laboratory of Smart Grid, Chengdu 610065, China) Abstract：Power system load forecasting model can be divided into the single index model and information collection model. To insure the accuracy, it is necessary to avoid missing the important information and must collect the related indicators as much as possible. This paper used principal component analysis (PCA) to simplify information. Data correlation removed and data dimension reduced through normalization processing. By introducing the kernel function and the dual skills of the support vector machine algorithm can effectively avoid the curse of dimensionality. Compared to the SVM method, the accuracy of load forecasting is effectively improved. Keywords：medium and long term load forecasting，comprehensive information, principal component analysis（PCA）, support vector machine(SVM) 0引 言 电力预测是电网规划中的基础工作，对规划的质量起关键作用。准确的负荷预测将为电源的合理布点、适时的电网建设、最佳的投资时间以及获得最大的经济效益和社会效益提供科学的决策依据，并为电网的安全、经济、可靠运行提供保证。 主成分分析法是将信息集中的指标通过降维的思想，将信息集指标转化为少数的几个综合指标。主成分分析(principal components analysis，简称PCA)实质就是多元统计方法，通过使用其中少数几个因素变量线性综合来解释原来变量中的绝大多数信息。主成分分析的优点在于它既保留了历史数据的大部分信息，又消去了原始数据的相关性，减少了数据量，很好地实现了数据的简化和降维。 主成分分析法并不是简单地去掉那些不太重要的因素，也不是纯粹分析比较各指标的重要性，主成分分析法通过解析原来非常多的可观测指标来实现主成分信息的提取。提取出的综合性指标间没有相关性，但能最大程度地体现出原来较多指标的信息。通过对系统原有指标进行“降维”（压缩空间）处理，最大化地简化了研究问题和搜集整理资料的程序。“压缩降维”技术也是一种综合评价的方法，“降维”后的指标，要求在互不相关的前提下，原有指标所包含的信息应该尽可能地保留，其实质也是一个化繁为简的过程。 原始数据与主成分之间的关系可以概括以下几点： (1) 主成分仍保留了原始数据绝大多