一种有效的LS-SVM短期负荷预测算法.pdfVIP

一种有效的LS-SVM 短期负荷预测算法 艳，韩学山，韩 力 （山东大学电气工程学院，山东 济南 250061 ） 摘 要：针对最小二乘支持向量机(Least Squares Support [10] [11] ，如知识约简算法对信息量膨胀的处理 ，对于 Vector Machines，LS-SVM) 的短期负荷预测模型，将粗糙集 解决模型输入变量的选择问题是一种有效的方法。 (Rough Set，RS)理论和遗传算法(Genetic Algorithm, GA)有 机地用于模型输入变量的优选和预测过程中模型参数的自 LS-SVM模型的另一问题是预测过程中模型参 适应寻优。具体是以GA 实现RS 属性约简，即保证模型精 数的确定，如正则化参数、核函数参数等，对 度的同时，对影响待预测量的相关因素进行约简处理，使 LS-SVM 所需要的输入变量最小化，进而减少模型的学习训 LS-SVM 的学习和适应能力有直接影响。目前SVM 练时间；在预测过程中，又通过实 GA 对 LS-SVM 的模 算法的参数选择还是凭经验、实验对比、大范围的 型参数进行自适应寻优。由此，在提高模型预测精度的同时， [12] 搜寻或利用交叉验证等思想进行寻优 ，这样耗时 避免对经验的依赖、模型输入变量的冗余和预测过程中参数 的盲目选择。通过对山东电网实际短期负荷数据的预测分 且难以确保有效。GA是一种高度并行的、随机的、 析，表明本文算法的有效性。 自适应全局优化算法，适于解决复杂的非线性优化 关键词：电力系统；短期负荷预测；支持向量机；粗糙集； 问题，采用GA对LS-SVM模型参数进行优化求解， 遗传算法 可进一步提高模型的适应性和预测精度。 0 引言 基于以上两点分析，本文采用全局搜索的GA 负荷预测是电力系统运行调度决策的前提，提 实现RS理论的属性约简算法，对模型的输入变量进 高短期负荷预测的精度，会带来显著的效益。 行优选，并采用实 GA对模型参数进行自动优化， 支持向量机(Support Vector Machines, SVM)是 使LS-SVM模型得到一定改进和完善。将本文阐述 一种新的基于结构风险最小化原理的机器学习技 方法用于山东电网实际短期( 日)负荷的预测分析， [1] 术 ，与采用经验风险最小化原理的传统方法相比， 显示出较好的效果，表明此方法对有效减少 具有更好的泛化性能和精度，减少了对经验的依 LS-SVM训练数据，提高模型训练速度和自适应性， 赖。LS-SVM采用与SVM不同的损失函数，用等式 降低建模误差和预测误差是有效的。 [2-4]