基于最小二乘支持向量機的短期電力負荷預測模型的研究.pdf

1、短期負荷預測是負荷預測的重要組成部分，它對于機組最優(yōu)組合、經濟調度、最優(yōu)潮流、電力市場交易都有著重要的意義。短期負荷預測是以月、周、天、小時為單位的負荷預測，主要用于電力系統(tǒng)的調度。準確的短期負荷預測結果有利于做出適當的計劃電力交易量，采用恰當的運行計劃和競標策略，也有利于用電計劃的管理，節(jié)煤、節(jié)油和降低發(fā)電成本，制訂合理的電源建設規(guī)劃，提高電力系統(tǒng)的經濟效益和社會效益。因此，尋求合適的負荷預測方法最大限度的提高預測精度具有重要的應用價

2、值。
　　論文首先闡述了負荷預測的國內外的研究現(xiàn)狀，分析了短期負荷預測的特點及其影響因素，歸納了短期負荷預測的常用方法，并說明了各種方法的優(yōu)劣；然后詳細說明了支持向量機(SVM)的理論基礎和原理，推導了SVM回歸模型；根據洛陽某地區(qū)的歷史負荷數據和氣象數據，分析各種因素對預測的影響，闡述了負荷變化的周期規(guī)律，對歷史負荷數據中的“異常數據”進行修正，對負荷預測中要考慮的相關因素進行了歸一化處理，采用最小二乘支持向量機(LS-SVM)

3、模型進行預測。然而LS-SVM中的兩個參數對模型有很大影響，而目前參數的選取依然是基于經驗上的，預測的誤差就會很大。最后，本文采用粒子群優(yōu)化算法對模型參數進行尋優(yōu)，將支持向量機的參數選擇問題視為在給定空間的全局搜索問題，以測試樣本集的平均誤差作為算法結束的判斷條件，實現(xiàn)了支持向量機參數的自動優(yōu)化選取。
　　本文建立了基于粒子群優(yōu)化的最小二乘支持向量機模型，實現(xiàn)了模型參數的優(yōu)化選擇，使得預測精度有所提高。實際算例表明，本文的預測方法