支持向量機回歸在短期電力負荷預測中的應用研究.pdf

1、隨著我國電力行業(yè)的蓬勃發(fā)展，電網(wǎng)管理技術(shù)的日趨進步，關(guān)于電力系統(tǒng)負荷預測問題的研究也引起了人們愈來愈多的關(guān)注。如何有效地進行電力負荷預測，已經(jīng)成為現(xiàn)代電力系統(tǒng)研究中的重要課題之一。本文主要針對電力系統(tǒng)短期負荷預測進行研究與探討。
　　 建立在統(tǒng)計學習理論基礎上的支持向量機(SVM)不僅具有結(jié)構(gòu)簡單的優(yōu)點，而且推廣能力較傳統(tǒng)模型有顯著提高，因此能夠很好的解決實際應用中小樣本學習問題。目前關(guān)于SVM的理論研究和實際應用都處于快速發(fā)展

2、階段，成為機器學習領(lǐng)域的研究熱點。本文所做的工作主要包括如下幾個方面：
　　 (1)本文首先對電力負荷預測和SVM的研究現(xiàn)狀進行綜述，并簡單介紹了目前具有代表性的電力負荷預測模型，接著對支持向量回歸(SVR)相關(guān)理論進行詳細的描述。
　　 (2)支持向量回歸在實際應用中存在兩大難點，即特征選擇和參數(shù)的優(yōu)化。本文針對這兩大難點，設計了一種新的基于GA-IPSO的SVR預測模型，目的是獲得更好的學習性能與預測精度。該模型的主

3、要設計思路為：①特征選擇：基于遺傳算法的特征選擇方法；②參數(shù)的優(yōu)化：本文對基本PSO算法進行改進，并將該改進算法用于SVR的參數(shù)優(yōu)化。
　　 (3)考慮到廣義自回歸條件異方差(GARCH)模型適應于波動性的分析和預測以及SVR模型具有良好的泛化能力的特性，本文提出一種SVR與GARCH模型相結(jié)合的新組合預測模型，旨在提高模型的預測精度。
　　 在此基礎上，本文給出仿真實例。通過對仿真結(jié)果的分析，驗證本文所構(gòu)建模型的有效性