基于偏最小二乘法的支持向量机短期负荷预测.pdfVIP

‘ 黪 SmartG—d 第27卷 第lO期 电网与清洁能源 Vo1．27 No．10 2011年10月 PowerSystem andCleanEnergy 0ct．2011 文章编号：1674—3814(2011)10—0032—04 中图分类号：TM715 文献标志码：A 基于偏最小二乘法的支持向量机短期负荷预测 浦星材1，沈晓风2，张清扬3，邓玉章 (1．江苏省电力公司无锡供电公司，江苏无锡 214061；2．西安理工大学水利水电学院，陕西 西安 710048；3．甘 肃电投河西水电开发有限责任公司，甘肃 张掖 734000；4．四川省电力公司 内江电业局，四川 内江641100) Short-Term LoadForecastingBasedonPartialLeastSquareSVM PUXing-cai，SHENXiao—feng，ZHANGQing-yang，DENGYu—zhang4 (1．JiangsuElectricPowerCorporationWuxiPowerSupplyCorporation，Wuxi214061，JiangsuProvince，China；2．InstituteofWater ResourcesandHydro-electricEngineering，XianUniversityOfTechnology，Xian，710048ShaanxiProvince，China；3．GansuTou RiverHydropowerDevelopmentLtd．，Zhangye734000，GansuProvince，China；4．Ne~iangPowerSupplyBureau，Sichuan ElectricPowerCorporation，Neijiang641100，SichuanProvince，China) ABSTRACT：Thispaperpresented ashort～term load 同，它采用的是结构风险最小化原~Jlt41(StructureRisk forecastingmodelbasedonpartialleastsquareandSVM，firstly Minimizati0n，SRM)，因此，其推广能力明显优于一 drawingloadingdatacompenontbypartialleastsquare(PLS)， 些传统的学习方法。支持向量机的另一个优点就是 thecompenonthave the linearityirrelative characteristic，and SVM的求解最后转化成二次规划问题的求解，所以 eliminating multi-relative ofinputfactorsubsequently．And SVM的解是全局唯一的最优解 ，而且支持向量机在 then usingsupport vectormachines (SVM)achieve load 解决小样本和非线性问题中有许多特有的优势5[1。与 forecasting．Theexampleindicatethatthepresentedshort—term load forecastingmodelcomplywith fastmodeland forecast 神经网络方法相比，有着显著的优越性 ，被认为是 accuracy，whichisaneffectivemethod． 人工神经网络的代替方法。 KEY W ORDS：load forecasting；support vectormachines