基于PCA-SVM模型的中長期電力負荷預(yù)測.doc

《基于PCA-SVM模型的中長期電力負荷預(yù)測.doc》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、基于PCA-SVM模型的中長期電力負荷預(yù)測詹長杰，周步祥（四川大學(xué)電氣信息學(xué)院，成都610065）摘要：電力系統(tǒng)負荷預(yù)測模型可以分為單一指標模型和信息集（多指標）模型，為客觀準確地對中長期負荷預(yù)測進行研究，就要避免重要信息的遺漏，盡可能多的考慮與其有關(guān)聯(lián)的信息。針對信息集模型中的大量信息，通過主成分分析法把綜合信息集簡化為少數(shù)幾個主成分，降低了數(shù)據(jù)的維數(shù)；引入核函數(shù)和對偶技巧對支持向量機算法進行改進，有效避免了維數(shù)災(zāi)難和目標函數(shù)不可微的問題。通過標準SVM和PCA-SVM模型仿真對比，驗證PCA-SVM模型預(yù)測結(jié)果更為準確，所提方法具有一定的實用性和有效性。關(guān)

2、鍵詞：中長期負荷預(yù)測；綜合信息集；主成分分析；支持向量機中圖分類號：TM732文獻標識碼：A文章編號：1001－1390（2015）09－0000－00ThemediumandlongtermpowerloadforecastingmodelbasedonPCA-SVMZhanChangjie，ZhouBuxiang(SchoolofElectricalEngineeringandInformation,SichuanUniversity,Provincial-LevelKeyLaboratoryofSmartGrid,Chengdu610065,China)

3、Abstract：Powersystemloadforecastingmodelcanbedividedintothesingleindexmodelandinformationcollectionmodel.Tomodel.Toinsuretheaccuracy,itisnecessarytoavoidmissingtheimportantinformationandmustcollecttherelatedindicatorsasmuchaspossible.Thispaperusedprincipalcomponentanalysis(analysis(

4、PCA)tosimplifyinformation.Datainformation.Datacorrelationremovedanddatadimensionreducedthroughnormalizationprocessing.Byprocessing.Byintroducingthekernelfunctionandthedualskillsofthesupportvectormachinealgorithm,caneffectivelyavoidthecurseofdimensionality.Compareddimensionality.Comp

5、aredtotheSVMmethod,theaccuracyofloadforecastingiseffectivelyimproved.Keywords：mediumandlongtermloadforecasting，comprehensiveinformation,principalinformation,principalcomponentanalysis（PCA）,,supportvectormachine(SVM)0引言電力負荷預(yù)測是電網(wǎng)規(guī)劃中的基礎(chǔ)工作，對電網(wǎng)規(guī)劃的質(zhì)量起關(guān)鍵性的作用。準確的負荷預(yù)測將為電源的合理布點、適時的電網(wǎng)建設(shè)、最佳的投資時

6、間以及獲得最大的經(jīng)濟效益和社會效益提供科學(xué)的決策依據(jù)，并為電網(wǎng)的安全、經(jīng)濟、可靠運行提供保證。其中短期負荷預(yù)測有助于調(diào)度人員協(xié)調(diào)水火發(fā)電機組的啟停、合理切換供配線路及安排檢修計劃等工作[1-5]；中長期負荷預(yù)測能展望未來一段時間地區(qū)負荷的發(fā)展趨勢，在電網(wǎng)規(guī)劃、燃料計劃、發(fā)配系統(tǒng)及電力市場中長期負荷評估計劃中具有重要意義[6-9]。負荷的準確預(yù)測對電力系統(tǒng)運行的安全性經(jīng)濟性以及當?shù)貒窠?jīng)濟的協(xié)調(diào)發(fā)展有著深遠的影響。按照電力系統(tǒng)負荷預(yù)測考慮因素的多少可以將其分為兩類：一類為只包含單一指標的模型；一類是信息集（多指標）模型。近幾年，信息集模型的電力系統(tǒng)負荷預(yù)測建模和

7、相關(guān)方法的研究是相關(guān)學(xué)術(shù)領(lǐng)域中的熱點問題。為了客觀全面的反映事物的發(fā)展相關(guān)規(guī)律，對事物進行準確的研究，就要避免重要信息的遺漏，考慮與其有關(guān)聯(lián)的盡可能多的指標和變量。而加入的變量越多，研究的問題也會變得越復(fù)雜。文中提出了一種改進的PCA-SVM算法對考慮信息集的模型進行中長期負荷預(yù)測研究，通過主成分分析法[10-11]對綜合信息集中的數(shù)據(jù)進行降維處理，根據(jù)累計貢獻率選出主成分并作為支持向量機算法訓(xùn)練樣本的輸入數(shù)據(jù)；支持向量機算法[12-13]通過引入核函數(shù)和對偶技巧解決了維數(shù)災(zāi)難和目標函數(shù)不可微問題。用SVM算法和PCA-SVM算法模型進行仿真實驗，通過實例比較

8、驗證了PCA-SVM模型具有更高的預(yù)測