基于非负矩阵分解的相关向量机短期负荷预测模型.pdfVIP

第 36卷 第 11期 电 力 系 统 自 动 化 Vo1．36 NO．11 2012年 6月 10 日 Automation ofElectricPowerSystems Junel0，2012 基于非负矩阵分解的相关向量机短期负荷预测模型 黄帅栋 ，卫志农 ，高宗和。，杨争林 ，孙国强 ，孙永辉 (1．河海大学可再生能源发 电技术教育部工程研究中心，江苏省南京市 210098； 2．国电南瑞科技股份有 限公司 ，江苏省南京市 210061) 摘要：针对传统特征提取方法只能抽取样本的代数特征而无法顾及 问题 实际意义的缺点，提 出一 种基于非负矩阵分解的相关向量机短期 负荷预测模型。通过非 负矩阵分解算法对输入样本进行分 解，得到非 负的低维映射矩阵，将该低 维矩阵输入相关向量机进行训练预测。由于此低维矩阵具有 非负性质，因而该模型在消除冗余数据、降低维数的同时，保 留了原始 问题 的实际意义。实验结果 表明，所提 出的方法能有效降低输入变量的维数 ，预测精度也得到了提 高。 关键词 ：短期负荷预测 ；非负矩阵分解；相关向量机 0 引言 论的概率学习方法_8]。文献 [9]将支持 向量机与 RVM 在负荷预测 中进 行 了 比较 ，仿真结果表 明 由于受到天气状况、经济活动等 自然 因素和人 RVM 不仅提高 了预测精度 ，并且在稀疏性与计算 为因素的影响，短期负荷 的变化通 常被看做是 随机 时间等方面的表现更加优异 。文献El0]使用经验模 过程[1-2；另一方面，众多因素之间存在着高度 的非 态方法将负荷分解成多个分量 ，然后对每个分量使 线性关系。近年来 ，人工神经网络、支持向量机等非 用 RVM 建立预测模型 ，预测效果得到了明显改善 。 线性的预测模型被用来拟合负荷 曲线 ，已经取得 了 基于以上分析，本文使用 NMF算法提取输入 较好的预测效果_l3]。然而在实际应用 中，当输入影 变量中的主特征 ，得到降维的非负映射矩阵，将此作 响因素过多时，将会导致预测模型过于复杂，训练效 为RVM 输入并进行训练和预测，提高预测精度。 率低下 ，因此 ，合理选择预测模型输入 因素是提高预 测精度的关键 问题之一 。 1 NMF算法原理 文献[5]通过主成分分析法 (PcA)构造原有变 NMF算法用数学语言可描述为_1：对于一个 量的线性组合 ，从而形成互不相关的新变量，从中提 n× 阶的非负矩阵V，可将其分解为一个 ”×r阶 取主成分 ，同时降低维数，使问题得到 了简化。文 献F6]运用基于奇异值分解的噪声消减滤波算法消 的非负矩阵w 和一个r×171阶的非负矩阵H 的乘 除噪声 ，抽取主特征。事实上 ，上述方法仅仅从代数 积，即V=WH。其 中，原矩阵V中的列 向量可解释 角度分析样本矩阵，往往只能抽取样本的代数特征 ， 为对左矩阵w (称为基矩 阵)中所有列向量 的加权 从而导致