支持向量机回归在短期电力负荷预测中的应用研究

论文摘要

随着我国电力行业的蓬勃发展,电网管理技术的日趋进步,关于电力系统负荷预测问题的研究也引起了人们愈来愈多的关注。如何有效地进行电力负荷预测,已经成为现代电力系统研究中的重要课题之一。本文主要针对电力系统短期负荷预测进行研究与探讨。建立在统计学习理论基础上的支持向量机（SVM）不仅具有结构简单的优点,而且推广能力较传统模型有显著提高,因此能够很好的解决实际应用中小样本学习问题。目前关于SVM的理论研究和实际应用都处于快速发展阶段,成为机器学习领域的研究热点。本文所做的工作主要包括如下几个方面:（1）本文首先对电力负荷预测和SVM的研究现状进行综述,并简单介绍了目前具有代表性的电力负荷预测模型,接着对支持向量回归（SVR）相关理论进行详细的描述。（2）支持向量回归在实际应用中存在两大难点,即特征选择和参数的优化。本文针对这两大难点,设计了一种新的基于GA-IPSO的SVR预测模型,目的是获得更好的学习性能与预测精度。该模型的主要设计思路为:①特征选择:基于遗传算法的特征选择方法;②参数的优化:本文对基本PSO算法进行改进,并将该改进算法用于SVR的参数优化。（3）考虑到广义自回归条件异方差（GARCH）模型适应于波动性的分析和预测以及SVR模型具有良好的泛化能力的特性,本文提出一种SVR与GARCH模型相结合的新组合预测模型,旨在提高模型的预测精度。在此基础上,本文给出仿真实例。通过对仿真结果的分析,验证本文所构建模型的有效性。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 电力负荷预测现状
• 1.3 支持向量机的提出及研究现状
• 1.4 研究内容及论文组织结构
• 第二章 电力负荷预测模型概述
• 2.1 时间序列模型
• 2.2 灰色预测模型
• 2.3 人工神经网络模型
• 2.4 电力负荷预测研究发展趋势
• 2.5 本章小结
• 第三章 支持向量机回归理论基础
• 3.1 机器学习基本问题
• 3.1.1 机器学习问题描述
• 3.1.2 经验风险最小化介绍
• 3.2 统计学习理论
• 3.2.1 VC 维介绍
• 3.2.2 推广性的界介绍
• 3.2.3 结构风险最小化介绍
• 3.3 支持向量机（SVM）
• 3.3.1 广义最优分类面
• 3.3.2 支持向量机步骤
• 3.3.3 核函数相关介绍
• 3.4 支持向量回归简介
• 3.4.1 样本线性可分
• 3.4.2 样本线性不可分
• 3.5 本章小结
• 第四章 基于GA-IPSO 的SVR 在短期负荷预测中的应用
• 4.1 基于GA-IPSO 的SVR 预测模型设计思路
• 4.2 遗传算法简介
• 4.2.1 编码技术
• 4.2.2 适应度函数
• 4.2.3 遗传操作
• 4.2.4 遗传算法的基本流程
• 4.3 样本的选择及预处理
• 4.3.1 优化特征选择
• 4.3.2 样本数据的归一化处理
• 4.4 参数的分析及选择
• 4.4.1 参数的分析
• 4.4.2 粒子群优化算法原理
• 4.4.3 改进的PSO 算法
• 4.4.4 基于改进PSO 算法的SVR 参数优化
• 4.5 SVR 预测模型的构建
• 4.6 预测仿真实例
• 4.6.1 实验过程
• 4.6.2 模型的性能评价标准
• 4.6.3 实验结果对照
• 4.6.4 结果分析
• 4.7 本章小结
• 第五章 SVR-GARCH 组合模型在负荷预测中的应用
• 5.1 GARCH 基本理论
• 5.1.1 ARCH 模型
• 5.1.2 ARCH 模型建立步骤
• 5.1.3 GARCH 模型
• 5.2 组合预测模型
• 5.2.1 平稳化处理
• 5.2.2 组合预测简介
• 5.2.3 组合预测模型的建模
• 5.2.4 组合预测模型流程图
• 5.3 预测仿真实例
• 5.3.1 单一模型预测
• 5.3.2 组合模型预测
• 5.3.3 结果分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 攻读学位期间公开发表的论文与参与的科研项目
• 致谢