基于支持向量机的电力负荷预测预警研究

论文摘要

人类进入20世纪90年代以后,伴随着经济全球化和经济科技化的发展,电力能源也出现了全球性、生态性、多元性、安全性、科技密集性的发展趋势。本文在这个背景下对电力能源预测预警系统的构建进行了初探,为解决日益紧张的能源与发展之间矛盾提供了一种方式。论文的工作重心和中心在于预测分析,它直接影响预警的成败。机器学习应用于回归领域越来越得到国内外专家的重视,其中基于统计学习理论的支持向量机(SVM)异军突起,发展迅速,在各行各业都有了相关应用。本文预测子系统主要是基于SVM,利用综合评判的思想将传统模型和推理模型加入到预测子系统,以使预测结果科学合理。此外,本文利用实例数据对灰色预测方法和回归支持向量机的预测结果进行了比较分析,目的是为今后的研究工作找到合适的研究工具和研究资料。本文另一个重要的部分是对预警子系统的设计,在支撑理论方面做了一些原创性的工作——证明匹配定理和编写遗传算法的Java程序。选择支持向量机这种机器学习的方法还可以利用在其模式识别领域的多年的研究经验来对预警子系统进行改进。最后,本文利用上述理论,对电力负荷预测预警系统的系统框架进行了初步的研究,利用系统模块思想提出了由4个子系统组成:噪声分析子系统、预测分析子系统、匹配预警子系统以及二次防御子系统。其中噪声分析子系统和二次防御子系统具有辅助作用,但是必不可少,同时这两个子系统也是本文的创新点。本文在组织上是这样安排的,首先,在统计学习理论的基础上,阐述了学习器SVM在分类和回归的基础理论。其次,本文讨论了遗传算法,给出其Java程序的相关说明并证明了匹配定理。最后,给出了电力负荷预测预警系统的基本流程图。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.1.1 电力能源背景
• 1.1.2 机器学习理论综述
• 1.2 国内外研究现状
• 1.2.1 负荷预测方法研究现状
• 1.2.2 支持向量机研究动态
• 1.3 研究意义
• 1.4 论文的主要工作和结构
• 2 统计学习理论与支持向量机
• 2.1 机器学习的基本问题
• 2.1.1 机器学习的数学模型
• 2.1.2 ERM的局限性
• 2.2 统计学习理论的核心内容
• 2.2.1 VC维
• 2.2.2 推广性的界
• 2.2.3 结构风险最小化
• 2.3 支持向量机机理
• 2.3.1 支持向量机分类
• 2.3.2 支持向量机回归
• 2.3.3 核函数
• 2.3.4 支持向量机参数选择
• 2.4 支持向量机的推广
• 2.4.1 智能数学的发展
• 2.4.2 智能数学在支持向量机中的应用
• 3 遗传算法
• 3.1 遗传算法的基本思想
• 3.1.1 适应度函数
• 3.1.2 编码
• 3.1.3 遗传操作
• 3.2 遗传算法的实现
• 3.3 遗传算法的特点与优缺点
• 3.4 遗传算法Java程序包
• 3.4.1 遗传算法程序描述
• 3.4.2 程序结构
• 4 匹配定理的推广
• 4.1 基本概念
• 4.2 匹配定理证明与推广
• 5 灰色预测
• 5.1 GM（1，1）的建模原理
• 5.2 GM（1，1）改进模型
• 5.3 GM（1，1）模型的应用
• 5.4 回归SVM应用研究
• 5.4.1 软件包介绍
• 5.4.2 预测步骤
• 6 电力负荷预测预警系统组成
• 6.1 噪声分析子系统
• 6.1.1 模糊集与信息推理
• 6.1.2 确定决策目标及指标体系
• 6.1.3 利用集对分析确定噪声
• 6.2 预测子系统
• 6.3 匹配预警子系统
• 6.4 二次防御子系统
• 7 结论
• 参考文献
• 附录A
• 附录B
• 作者简历
• 学位论文数据集