基于支持向量机的短期电力负荷预测方法研究

论文摘要

短期负荷预测是电力系统安全经济运行的前提,随着分时电价方式的推广和电力市场化改革的深入,电力公司力求及时、准确地把握负荷变化的信息,对负荷预测的重要性和迫切性提到了前所未有的高度,同时也对负荷预测的精度提出了更高的要求,这必将推动我国对负荷预测新方法、新技术的研究。负荷预测方法大致可分为两大类。一类是以时间序列法为代表的传统方法;另一类是以人工神经网络法为代表的新型人工智能方法。本文分析了支持向量机的基本原理,支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点。针对电力系统负荷与各种影响因素之间的非线性关系,本文利用支持向量机优越的非线性学习及预测性能,针对短期负荷预测的各种影响因素的非线性特性,提出基于支持向量机的电力系统短期负荷预测新方法,以提高预测精度和时效性,本文建立了基于支持向量机的短期负荷预测模型,并与神经网络方法作了实例分析比较,结果表明基于支持向量机的负荷预测精度和速度要优于神经网络方法。在基于支持向量机的预测问题中,特征选择可以降低学习问题的复杂性,提高学习算法的泛化能力,并简化学习模型,从而具有重要的意义。F-score特征选择是一种从众多特征中找出那些对分类识别最有效的特征,从而实现特征空间维数的压缩。本文提出了一种将F-score特征选择与支持向量机相结合的预测方法,该方法采用F-score特征选择减少输入特征维数之后再送入支持向量机进行建模,这样既结合了F-score的特征选择能力又利用了SVM良好的非线性函数逼近能力,从而改善了预测模型的精度和泛化能力。仿真试验表明:这种基于F-score特征选择与支持向量机相结合的预测方法不仅提高了预测精度而且由于降低了输入维数也提高了预测的速度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 负荷预测的意义及其分类
• 1.1.1 负荷预测的背景及意义
• 1.1.2 电力负荷预测的分类
• 1.2 电力负荷预测的研究现状
• 1.3 电力负荷特性及负荷预测的特点
• 1.3.1 电力负荷特性
• 1.3.2 电力负荷预测的特点
• 1.4 短期负荷预测的要求和步骤
• 1.4.1 历史负荷数据的收集与选择
• 1.4.2 历史负荷数据的预处理过程
• 1.4.3 建立合理的电力负荷预测模型
• 1.5 本文研究的主要内容及章节安排
• 第2章 短期负荷预测的模型和方法
• 2.1 传统短期负荷预测方法
• 2.1.1 指数平滑法
• 2.1.2 灰色预测法
• 2.1.3 时间序列法
• 2.1.4 回归模型法
• 2.1.5 卡尔曼（Kalman）滤波法
• 2.1.6 传统预测方法的特点
• 2.2 现代短期负荷预测方法
• 2.2.1 小波分析预测法
• 2.2.2 支持向量机预测法
• 2.2.3 人工神经网络预测法
• 2.2.4 专家系统预测法
• 2.2.5 模糊理论预测法
• 2.2.6 现代预测方法的特点
• 第3章 统计学习理论与支持向量机
• 3.1 支持向量机的统计学理论基础
• 3.1.1 机器学习问题的表示
• 3.1.2 VC（Vapnik-Cheronenkis）维和推广性的界
• 3.1.3 经验风险最小化原则（EMR）
• 3.1.4 结构风险最小化原则（SRM）
• 3.2 支持向量机
• 3.2.1 最优分类面和支持向量
• 3.2.2 高维空间中的最优分类面和支持向量机
• 3.2.3 支持向量机的回归分析
• 3.3 核函数
• 第4章 基于支持向量机的短期电力负荷预测
• 4.1 电力系统短期负荷特性分析
• 4.1.1 时间因素
• 4.1.2 天气因素
• 4.1.3 其它影响因素
• 4.2 基于支持向量机的电力系统短期负荷预测
• 4.2.1 样本及其输入输出量的选择
• 4.2.2 核函数的选取以及参数的选择
• 4.2.3 短期电力负荷预测步骤
• 4.2.4 验算结果
• 4.2.5 实例分析
• 4.3 基于SVM的短期负荷预测与神经网络法的比较
• 第5章 基于F-score特征选择和支持向量机的短期电力负荷预测
• 5.1 特征选择概述
• 5.2 F-score特征选择方法
• 5.3 基于F-score特征向量和支持向量机的负荷预测计算实例
• 第6章 结论与展望
• 6.1 全文的总结
• 6.2 后继工作的展望
• 参考文献
• 作者在攻读硕士学位期间发表的学术论文
• 致谢
• 附录