《英文文献翻译--利用小波变换和支持向量机的短期负荷预测》-毕业论文.docVIP

PAGE \* MERGEFORMAT PAGE \* MERGEFORMAT 2 利用小波变换和支持向量机的短期负荷预测 摘要-这篇文章提出了一种行的短期负荷预测的方法（STLF.）目标方法包含离散的小波变换（DWT）和支持向量机（SVMs.）小波变化将时间序列分离为高频和低频两种信号组成支持向量机特性。然后支持向量机可以分别预测各组分量。然后我们重构所有的预测分量产生一个最终的预测负荷。Bangkok-Noi 地区在Bangkok，Thailand,的数据被用于验证头一天的负荷预测。算法的表现和没有进行小波变化的支持向量机模型和没有进行小波变化的人工精神网络相比。实验结果显示目标算法在短期负荷预测的表现比其他几种算法要好。 关键字：离散小波变化 ，电力系统，短期负荷预测，支持向量机，支持向量回归。  I．前言： 短期负荷预测（STLF）是一个电力系统规划的基础问题尤其是在电力调度，能量转换，机组优化方面。电力负荷的特性取决于多种因素，例如：气候因素，天气属性等。此外，特殊地区的负荷属性是独一无二的，因为当地的文化，社会习俗，和使用电设备的喜好。这些因素使得负荷预测达到最优化的配置变的非常复杂和困难。负荷的属性是非线性和不稳定的，需要不同的方式去解决。许多的方法被提出用于改进负荷预测的配置。以人工智能为基础的方法例如神经网络，模糊线性回归和支持向量机都包含在流行的方法中。这些模型考虑了复合数据和其他的影响负荷特性的因素。因此，在人工智能负荷预测模型的基础上继续选择是个很重要的问题这已经在负荷预测领域变成一个积极的研究方向。 为了解决非线性函数近似问题，支持向量机是一个有力的方法。他利用核函数去将数据从输入空间映射到高维深度空间使我们在其中可以以线性的方式解决问题。支持向量机已经被应用于许多的预测问题，结构化最小风险（SRM）在支持向量机学习中比神经网络中的经验风险更有效。 小波变化被认为是解决不稳定离散信号的最有力方法。小波方法有一个超过傅里叶变换的优势是它允许不同频率的分解被认为是最合适的暂时性解决方案。在前期工作中，离散小波变化被大量应用于电力系统例如：故障识别，电能质量分类，和负荷预测。 在这篇文章中，利用离散小波变化和支持向量机进行为期一天的负荷预测，离散小波变换被用于深度提取分离负荷的时间序列为高频信号和低频信号，我们利用一系列的支持向量机用不同的深度不同的频率组成和不同的支持向量机参数预测。预测的负荷由所有的预测分组组成。目标模型的配置和其他三种方法相比包含：有小波变换的支持向量机模型，有离散小波变换的神经网络模型和没有离散小波变换的神经网络模型。 文章剩下的内容有以下部分组成，第II部分是离散小波变换和支持向量机模型的简要说明。在第III部分，介绍目标模型。第IV部分提出了数据集合和验证描述。在第V部分有实验结果显示。最后第VI部分概括了文章。 II．方法理论： 小波变换和支持向量机广为人知并广泛应用在许多文献中。因此，我们在这只提供一个简短的介绍。 A．离散小波变换 小波变换是一种在时域和频域都能分析不稳定信号的方法。它用母小波作为标准函数。离散小波分析（DWT）是用小波分析离散数据。在实例中，利用多分辨率分析和双通道滤波器分析，离散小波变换可在下图1中被展现，由分解和重构阶段组成。在分解阶段，信号（S）被高频和低频过滤。首先从高频过滤（cD1）输出的是一个细节分量，从低频过滤（cA1）输出的是一个近似分量。 图1：离散小波分解和重构 图2：软阀值-不敏感缺失在线性支持向量回归机中被集合 第二高通和低通滤波将近似分量再分别的分解为细节分量和近似分量，在重构阶段，小波系数被用于在不同的频率重构系数。通过系数的相加产生重构数据，在这个例子中，. B.支持向量机 集合一组训练数据，在范围内观测。支持向量机的基础思想是将输入空间内的训练数据利用核函数映射到高维深度空间内，然后根据最大匹配在深度空间内构造分离超平面。因此，支持向量机的近似函数如下式： (1) 其中是权向量，是一个基础和表示一个从输入空间的非线性变换到高维深度空间。目的是寻找一个使训练数据的实际目标集合尽可能平坦的-偏差，如图2中所示。训练样本有一个-偏差叫做支持向量机。松弛变量，是衡量误差本体上下线的约束条件。样本比-偏差更加接近零成本。我们不得不解决下面的最优化问题 (2) 约束条件 （3） 其中是一个常数，是支持向量，可以被按照数据点写入 图3：利用离散小波变化的负载时间序列不同频率系数的目标和特征 （4） 通过将式子（4）带入式子（2），支持向量机的最优化超平面的式子可以表示如下：