基于加权LS-SVM的短期负荷预测研究

论文摘要

短期负荷预测是一项极复杂的工作,由于它具有明显的随机性与不可预测性,致使预测的精度很难有明显的提高。而传统的预测方法又往往考虑得过于简单,使很多对短期负荷影响重大的因素没有起到应有的作用。近年来随着人工智能技术的发展,机器学习语言成为了负荷预测人员研究的焦点。学者们尝试将各种智能语言用于短期负荷预测,最小二乘支持向量机（LS-SVM）就是其中的一个亮点。随着对其研究的深入,LS-SVM越来越受到专家们的青睐。本文是在对短期负荷预测工作全面了解的基础上,选择了最小二乘支持向量机的方法对其进行预测研究。考虑到现代短期负荷预测都会涉及各种外部影响因素,如天气等,本文针对模型的具体情况考虑了天气类型、最高最低温度等因素。由于各种因素的考虑,使模型的复杂程度增加,并且LS-SVM所建立的模型本身也有缺陷—鲁棒性损失,所以文中考虑用模型中误差的鲁棒估计值为其加一权系数,构建成一个加权最小二乘支持向量机（WLS-SVM）模型。另外,模型还选择了用贝叶斯证据理论进行参数优化并且用径向基函数（RBF）作为模型的核函数。文中对采集来的大量实测负荷数据进行分析,发现了负荷中的一个特殊现象—“休息日延迟现象”,针对该现象文中为其建立了具有适应性的预测模型。考虑到负荷预测的“近大远小”原则,并且为了充分利用周一负荷,将异常的周一负荷进行修正。最后采用本文所研究的贝叶斯证据下WLS-SVM方法对实际负荷进行了预测。通过Matlab编程仿真可以看出,文中所采用的方法与所建立的模型具有良好的预测效果,能够满足短期负荷预测的精度要求。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.1.1 电力系统负荷预测的含义
• 1.1.2 电力系统负荷预测的目的和意义
• 1.1.3 电力系统负荷预测的分类
• 1.2 国内外的研究现状
• 1.2.1 国内外负荷预测研究现状
• 1.2.2 电力系统负荷预测的特点与难点
• 1.3 本文主要工作
• 第2章 短期负荷预测分析
• 2.1 短期负荷预测特点
• 2.1.1 短期负荷预测内在特性
• 2.1.2 短期负荷预测外部特性
• 2.2 短期负荷预测方法
• 2.2.1 传统短期负荷预测方法
• 2.2.2 现代短期负荷预测方法
• 2.3 短期负荷预测误差分析
• 2.4 短期负荷历史数据预处理
• 2.4.1 历史数据处理
• 2.4.2 数据量化处理
• 2.5 本章小结
• 第3章 最小二乘支持向量机模型
• 3.1 支持向量机
• 3.1.1 统计学习理论
• 3.1.2 支持向量机分类（SVC）
• 3.1.3 支持向量机回归（SVR）
• 3.2 最小二乘支持向量机
• 3.2.1 最小二乘支持向量机基本原理
• 3.2.2 核函数
• 3.3 LS-SVM 参数选择问题
• 3.4 本章小结
• 第4章 基于贝叶斯证据下WLS-SVM 的短期负荷预测
• 4.1 贝叶斯证据推断理论
• 4.1.1 贝叶斯理论
• 4.1.2 贝叶斯层次推断
• 4.2 加权最小二乘支持向量机
• 4.3 贝叶斯推断的WLS-SVM 模型用于短期负荷预测
• 4.4 本章小结
• 第5章 实例分析
• 5.1 数据的分析与处理
• 5.2 模型建立与训练
• 5.3 预测结果与分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读学位期间取得的研究成果及发表的学术论文
• 致谢