智能算法的研究与应用 ——基于差分进化与SVM的短期负荷预测

论文摘要

近年来,随着电力系统的市场化,电力负荷预测已经成为一个高效电力系统规划和运行的重要组成部分。电力系统负荷预测指从电力负荷本身变化情况以及气象、经济等因素影响规律出发,通过对历史数据分析研究,探究电力负荷内在的联系与变化规律,从而对未来电力需求做出估计和预测。它是实现电力系统安全经济运行的基础,对电力系统的决策具有重要的意义。由于电力负荷预测受到历史负荷数据的复杂性,以及其它随机因素的影响,使得很难对其进行精确的预测。本文对电力系统负荷预测的传统预测技术与人工智能预测技术的优缺点进行了介绍,通过比较分析,选用了支持向量机对短期电力负荷进行预测。支持向量机是一种新型机器学习方法。它基于统计学理论,具有结构简单、全局最优、推广能力强等优点。在解决小样本、非线性等问题中表现出其特有的优势。支持向量机的性能由它的参数与核函数决定,选取不恰当的核函数与参数将会降低其性能。然而,目前没有统一的选择参数与核函数的方法,通常是人为的进行选择和调整,但由于缺乏理论的指导,效率较为低下。差分进化算法作为一种新型智能优化算法,它能够很好的实现全局最优解的搜索,具有较好的稳定性与较快的收敛速度,但作为一种新的算法,在很多方面还不成熟,因此为了进一步改善和提高差分进化算法的性能,提出一种自适应的差分进化算法,并使用其对支持向量机进行参数寻优。针对单个核函数支持向量机性能的局限性问题,结合全局核函数与局部核函数的优点,提出了一种混合核函数的支持向量机。最后,本文在全面总结了支持向量机在短期负荷中的应用情况的基础上,从其原理出发,在本质上论述了支持向量机应用于短期负荷预测的优越性。针对其应用过程中存在的一些问题,如数据预处理、核函数的选取、参数优化等进行了分析。然后提出一种混合核函数和差分进化参数寻优方法的改进支持向量机预测模型,并将改进后的预测模型用于某地区的短期负荷预测中。通过与人工神经网络和常规支持向量机比较,表明了本文所建立的预测模型能有效地提高短期负荷预测的精度,具有重要的实用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 电力负荷预测的概念
• 1.2.1 基本原理
• 1.2.2 一般步骤
• 1.3 国内外研究现状
• 1.3.1 传统预测技术
• 1.3.2 新型预测技术
• 1.4 本文研究内容与结构安排
• 第二章 差分进化算法与支持向量机综述
• 2.1 引言
• 2.2 差分进化算法
• 2.2.1 初始化种群
• 2.2.2 变异操作
• 2.2.3 交叉操作
• 2.2.4 选择操作
• 2.3 机器学习与统计学理论
• 2.3.1 机器学习理论
• 2.3.2 统计学理论
• 2.4 支持向量机
• 2.4.1 最优超平面
• 2.4.2 线性支持向量机
• 2.4.3 非线性支持向量机
• 2.4.4 支持向量回归机
• 2.5 本章小结
• 第三章 基于Laplace 分布变异的自适应差分进化算法
• 3.1 引言
• 3.2 算法改进方向
• 3.2.1 相关参数的研究
• 3.2.2 进化策略的研究
• 3.2.3 混合算法的研究
• 3.3 自适应差分进化算法
• 3.3.1 缩放因子的选择
• 3.3.2 交叉概率的选择
• 3.3.3 进化策略的选择
• 3.3.4 算法流程及其时间复杂度
• 3.4 实验仿真及结果分析
• 3.4.1 测试函数
• 3.4.2 实验仿真
• 3.4.3 结果分析
• 3.5 本章小结
• 第四章 基于混合核的支持向量机
• 4.1 引言
• 4.2 算法改进方向
• 4.3 核函数介绍
• 4.3.1 全局核函数
• 4.3.2 局部核函数
• 4.3.3 混合核函数
• 4.4 实验仿真及结果分析
• 4.5 本章小结
• 第五章 基于DE 的SVM 在短期负荷预测中的应用
• 5.1 引言
• 5.2 数据预处理
• 5.2.1 缺失负荷数据处理
• 5.2.2 负荷数据的垂直处理
• 5.2.3 负荷数据的水平处理
• 5.2.4 负荷数据的归一化处理
• 5.3 负荷预测的误差分析
• 5.3.1 误差产生原因
• 5.3.2 误差指标
• 5.4 基于DE 的SVM 预测模型
• 5.4.1 样本集的构造
• 5.4.2 负荷预测步骤
• 5.4.3 实验仿真及结果分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 未来工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文