基于混沌特性的支持向量机短期电力负荷预测-计算机应用技术专业论文.docxVIP

摘 摘 要 电力负荷预测是电力系统运行与控制的基础也是电力市场运作的基础，在电力市场 的条件下对负荷预测提出了准确性、实时陛、可靠性、智能性的要求，其预测精度直接 影响电力系统的经济效益以及电网的稳定性。 负荷预测是电力系统规划和运行中的重要工作之一。由于负荷决定了发电、输电和 电量的分配，在一定规划期内负荷与用电量的大小决定了电力系统的发展规模和发展速 度，因此预测电力系统的负荷与用电量是进行电力系统发展规划的首要任务。而负荷预 测方法的选择是最为关键的工作，目前预测的方法很多，但哪一种方法更为可靠是一个 十分复杂的问题。因为预测结果的可信性不仅取决于所使用的预测方法，也取决于所采 集数据的可靠性，后者是理论工作者所无法解决的，前者则可以通过对不同预测方法的 分析比较得到一些指导性的认识。 支持向量机是新一代的机器学习算法，以统计学习理论作为其理论基础，它的训练 等价于解决一个二次规划问题，采用结构风险最小化原则，具有预测能力强、全局最优 及收敛速度快等显著特点。因此，本文从研究混沌时间序列的预测入手，采用了一种基 于支持向量机回归理论的预测方法，并将其应用于混沌时间序列预测中。为了验证该算 法的性能，我们做了两项工作，一个是利用相空间的重构理论对混沌时间序列进行了单 步与多步的预测，并同文献中的神经网络的预测结果进行了比较分析；另一个是在混沌 时间序列中加入不同水平的噪声，并同BP网络及RBF网络的预测结果进行了比较分析。 仿真结果表明，用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好 的效果，且有更好的稳健性和泛化能力。 在研究混沌特性的基础上，我们结合短期电力系统的特点，对电力负荷预测问题进 行研究，建立了基于混沌特性的支持向量机电力负荷短期预测的模型，应用实际的负荷 数据进行仿真试验。 利用基于混沌特性的支持向量机模型进行短期电力负荷预测，首先要判定系统是否 具有混沌特性，其次确定相空间重构的嵌入维数m和延时t；运用m和t重构相空间， 计算出最大Lyapunov指数，构成学习样本和预测值，然后利用样本对SVM进行训练， 最后训练后的网络对将来的某段时间进行预测，根据预测得出的预测值，我们与实际的 负荷值进行比较，判断其是否具有优势。 提出了一种基于支持向量机回归理论的预测方法，并将其应用于实际的短期电力负 荷预测中。为了验证该算法的性能，我做了两项工作，一个是利用相空间的重构理论对 短期电力负荷进行了单步预测，并同文献中的神经网络的预测结果进行了比较分析，从 表中可以看出，对于不同的m取值，采用svM时的评价指标(PddSE，RMSPEE)都小于采用 BP网络和模糊神经网络时的相应值，表明支持向量机在短期电力负荷的建模和预测方面 的效果比BP网络和模糊神经网络要好，从运行时间看，与BP网络相比，支持向量机具 有更快的收敛速度，其运动时间比采用BP网络时能够大大缩短；另一个是对短期电力 有更快的收敛速度，其运动时间比采用BP网络时能够大大缩短；另一个是对短期电力 负荷进行了多步预测，在对预测结果和预测精度分析的基础上，并同BP网络及RBF网 络的预测结果进行了比较分析，仿真结果表明，用支持向量回归算法进行预测能够取得 比其他方法更好的效果，且有更好的稳健性和泛化能力。 在对实际电力负荷数据的仿真试验中，sVIll方法能充分利用训练样本的分布特性， 根据部分训练样本构建判别函数，不需要过多的先验信息和使用技巧，并最终转化为二 次寻优问题，从理论上说，得到的将是全局最优解，有效避免了神经网络易陷入的局部 极值问题，同时通过非线性变换和核函数巧妙解决了高维数问题，使得其算法复杂度与 样本维数无关，加速了训练学习速度；另外，它能根据有限的样本信息在模型的复杂型 和学习能力之间寻求最佳折衷，保证其有较好的泛化性能。 关键词：统计学习理论，支持向量机，电力负荷短期预测，混沌时间序列 lI AbstractElectric Abstract Electric load forecasting is the foundation of power system operation and control and also it’S the foundation ofpower market．Accuracy、real time、reliabifity、intelligence are the new request of electric load forecasting In power market．Its precision will influence the economic and secure operation ofpower systems and quality ofpower。supply．