基于支持向量机中长期电力负荷预测.docVIP

基于支持向量机中长期电力负荷预测 　　 [摘 要] 支持向量机回归方法基于结构风险最小化准则，不同于传统的基于经验风险最小化的回归方法。该方法在解决学习精度和推广性之间的矛盾方面有明显的优势。本文先使用因子分析法进行指标的筛捡，然后使用支持向量机模型进行预测，并与GM(1,1)模型，线性回归模型进行对比，结果表明此方法具有更高的精确度。 　　 [关键词] 电力负荷预测 支持向量机 中长期 　　 0、引言 　　 电力负荷预测尤其是中长期预测是电力系统规划、设计、研究、生产、运行的基础和前提,其预测的准确性，不仅影响电力事业的发展，而且对整个国家的能源建设及全社会的经济发展都将产生重大的影响。但是,由于影响中长期负荷预测的直接因素或间接因素较多,随机性大,关联性变化大,确保中长期负荷预测的准确性比较困难。 　　 近年来，人工智能技术的迅猛发展，使灰色理论法、神经网络法及模糊聚类法，在负荷预测领域得到广泛应用。但它们有各自的缺点，灰色预测模型从理论上讲可以适用于任何非线性变化的负荷指标预测，但一旦数据的离散度大，预测精度就会大大降低，且该方法通常对较长时期的预测不太准确．电力负荷受到多种因素的影响，电力负荷曲线的变化形态同普通工作日电力负荷曲线的变化形态差异较大，用前向神经网络无法对上述各种情况下的电力负荷进行较好精度的预测．在模糊处理中也存在主观因素的干扰而使聚类结果存在局部差异．人们寻找到一种新的机器学习方法建立电力负荷预测模型．本文先使用因子分析法进行指标的降维，然后使用支持向量机的方法进行中长期电力负荷预测。 　　 1、因子分析法 　　 在大多数情况下，许多变量之间存在一定的相关关系。因此，有可能用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标称为因子。因子分析就是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计学方法。 　　 因子分析有如下特点： 　　 （1）因子变量的数量远少于原有的指标变量的数量，对因子变量的分析能够减少分析中的计算工作量。 　　 （2）因子变量不是对原有变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 　　 （3）因子变量之间不存在线性相关关系，对变量的分析比较方便。 　　 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 　　 因子分析法的数学模型表示： 　　 　　 　　 　　 因子分析有两个核心问题：一是如何构造因子变量；二是如何对因子变量进行命名解释。因子分析有下面4个基本步骤。 　　 （1）确定待分析的原有若干变量是否适合于因子分析。 　　 （2）构造因子变量。 　　 （3）利用旋转使得因子变量更具有可解释性。 　　 （4）计算因子变量的得分。 　　 2、支持向量机预测方法 　　 支持向量机是Vapnikl4 J在统计学习理论的基础上发展出来的一种全新的方法。它采用非线性映射算法将低维输人空间的样本映射到高维属性空间，使得用线性算法对样本的非线性特性进行分析成为可能；它使用结构化风险最小化的理论在属性空间构建最优化分割超平面，使得学习器得到全局最优化．另外，支持向量机的算法是一个凸优化问题，局部最优解一定是全局最优解．这些特点都是包括神经元网络在内的其他算法所不能及的。 　　 　　 　　 　　 　　 3、实证分析 　　 选取某地区1996 2005年实际用电量作为训练样本,预测该地区2006 2008年用电量。 　　 3．1电力负荷的影响因素 　　 电力需求的变化受到众多因素的影响，主要因素有：①当地的经济发展水平②收入、消费水平以及消费观念的改变③气温 　　 通过因子分析法对各个影响因素进降维，得到人口、GDP、二产GDP值、气温及消费价格指数这些因素。 　　 利用本文构建的支持向量机模型，进行中长期预测． 　　 为了检验支持向量机模型的预测能力，本文还同时采用了灰色预测GM(1，1)模型、常规线性回归模型作为对比。 　　 3．1具体的应用流程 　　 　　 　　 4、结论 　　 对电力负荷预测的数据通过因子分析进行降维后，是用支持向量机软件winsvm训练数据集，建立了预测模型。实例表明，在相同的影响因素下，支持向量机的精度优于其它方法。SVM作为一种新的分类和回归的工具，具有很好的实际应用前景和深入研究的价值。■ 　　参 考 文 献 　　[1]刘思峰，郭天榜.灰色系统理论及其应用.北京：科学出版社 　　[2]章文波，陈红艳.实用数据统计分析及SPSS12.0