支持向量机在电力系统负荷预测中的应用

论文摘要

电力系统负荷预测是当前我们电力系统安全运行的非常重要的环节,是关系到国计民生的重要问题。负荷预测的水平的高低直接决定了电力系统运行质量的好坏。负荷预测是不确定因素很多,如天气、统计数字、国民经济的运行等等,单凭原始的、单一的预测手段,往往难以体现复杂的情况,所以常常无法准确的进行负荷预测。支持向量机(Support Vector Machine,简称SVM)是来源于统计学习理论的较新的预测技术。它采用了结构风险最小化原则,而不是以前人们常用经验风险最小化原则,能够很好的解决以前存在的不足。它引入了核函数理论,把复杂的非线性空间的问题转变到线性空间问题,有效的降低了解决问题的难度。由于SVM理论有很好的理论作为基础和本身的学习性能也很高,成为众多学者研究的热点,并且推动了预测技术的发展。支持向量机是一门新的理论,无论是算法本身,还有很多缺陷:比如说运算速度慢、参数选择没有成熟的方法。本文将免疫算法应用到了支持向量机当中来对电力系统机型负荷预测。由于支持向量机种的参数难以选择,并且对算法的性能影响很大,所以采用免疫算法来对其的参数进行优化,代替了人工选择。通过实验表明,这种改进效果非常明显。每种算法都有自己的优缺点,为了取长补短,本文在改进支持向量机自身算法的基础上,将小波理论与支持向量机理论相结合,用小波理论将数据处理,找出负荷存在的规律,然后用支持向量机理论进行预测,然后再用小波重构,得到预测结果。这种方法有效的克服了单一算法存在的不足,极大的提高了预测精度。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 电力系统负荷预测综述
• 1.1.1 电力系统负荷预测的概念与意义
• 1.1.2 电力系统负荷预测的分类
• 1.2 电力系统负荷预测研究状况概述
• 1.2.1 电力系统负荷预测模型简介
• 1.2.2 电力系统负荷预测的现状概述
• 1.3 本文的主要工作
• 第二章 支持向量机模型和算法概述
• 2.1 支持向量机学习问题的探讨
• 2.2 支持向量机与统计学习理论
• 2.2.1 基于经验风险最小化原则算法的局限性
• 2.2.2 VC 维的概念和学习机的泛化能力
• 2.2.3 基于结构风险最小化原则算法的优越性
• 2.3 应用于分类和回归问题的支持向量机
• 2.3.1 分类问题支持向量机的建模及算法研究
• 2.3.2 回归问题支持向量机的建模及算法研究
• 2.4 支持向量机算法分析
• 2.5 本章小结
• 第三章 支持向量机参数的选择以及具体算法的改进
• 3.1 支持向量机的参数性能以及选择方法研究
• 3.1.1 支持向量机的核函数的概念及分类
• 3.1.2 支持向量机参数选取对算法性能影响的研究
• 3.1.3 支持向量机参数选取的具体实例分析
• 3.2 支持向量机参数改进研究
• 3.3 用免疫算法对支持向量机的参数进行优化
• 3.3.1 免疫算法的概念及其优越性
• 3.3.2 用免疫算法优化支持向量机参数的具体算法
• 3.3.3 免疫支持向量机应用于负荷预测实例分析
• 3.4 本章小结
• 第四章 小波和支持向量机方法相结合应用于负荷预测
• 4.1 小波与支持向量机结合起来进行预测的理论基础
• 4.1.1 小波理论概述
• 4.2 小波支持向量机算法应用于负荷预测算例分析
• 4.3 本章小结
• 第五章 电力系统负荷预测软件的编制开发
• 5.1 电力系统负荷预测软件开发的总体构想
• 5.2 电力系统负荷预测软件的具体设计
• 5.2.1 电力系统负荷预测软件的数据库设计
• 5.2.2 电力系统负荷预测软件的预测方法模型库
• 5.2.3 电力系统负荷预测软件结果查询与显示功能
• 5.3 电力系统负荷预测软件的具体功能简介
• 5.4 本章小结
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果