基于支持向量机的电力系统短期负荷预测研究.pdf

《基于支持向量机的电力系统短期负荷预测研究.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机的电力系统短期负荷预测研究.pdf（71页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、燕山大学硕士学位论文基于支持向量机的电力系统短期负荷预测研究姓名：周凌申请学位级别：硕士专业：电力电子与电力传动指导教师：卢志刚20060301摘要摘要电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分，是电力泰场技术支耩系绞懿基秣。支持向量机(S u p p o r tV e c t o rM a c h i n e，简称S V M)是基于统计学习理论的一种新的机器学习技术。由于采用了结构风险激小化原则替代经验风险最小化原则，使它较好的解决了小样本学习的问题。正因为S V M 理论有较舞完备弱遴论萋磷帮较好豹学习性麓，使得它成为继神经丽络研究之后薪的磷究热点。本文在对支持量机方法的参

2、数性能进行分析的基础上，提出了一种加权免疫支持蠢量撬方法寒臻涎毫力系统矮麓受耱，对不强弱缮零，对支持囊藿机的参数赋予不同的权重，并利用免疫算法采优化支持向量机的参数。免疫算法是根据人类或其它高等动物免疫系统的机瑷而设计的，通过抗原和抗体之阕鳇糨互终鼹过稳，有效遗竞溅了未成熟收敛现象，提蠢了群体瓣多移谯。通过仿粪证龋，与支持向量机方法稆眈，加衩免疫支持向量枫方法其有冀高的预测精度。给出小波核支持向量机的构造方法。由予母小波函数W 以生成小波框桨，我们臻小滚挺絮来穆造菝番数，秀采弼该核丞数静S V M，麓够遥邋薯五方可积斑间中的任意涵数。给出小波变换和支持向量机混合模型进行电力系统短期负荷预测的方

3、法。营毙基于枣波多分辨率分辑方法港受蓑旁捌分簿或具蠢不羁菝率特蔹瓣序捌，然后根据分解艏各分量的特点构造不同的支持向量机模型对各分量分别进行预测，最后对备分量预测信号进行重构得到最终预测缡果，仿真结果证明了该方法的有效性。在藏功开发电豢颥测软俘的基础上，提出了受芬颈测软件静设计方豢。关键词电力系统；负荷预测；支持向量机；免疫算法；小波变换鲨当查望三兰堡主篓竺篓奎A b s t r a c tP o w e rs y s t e ml o a df o r e c a s t，w h i c hi st h eb a s eo fp o w e rm a r k e tt e c i m i q

4、u es u p p o r t i n gs y s t e m,i sa ne s s e n t i a lp a r to fp o w e rs y s t e mo p e r a t i o n，c o m m la n dp l a n n i n g S u p p o r tV e c t o rM a c h i n e s(S V M)i san e wm a c h i n el e a r n i n gt e c h n o l o g y,w h i c hi sb a s e do nS t a t i s t i c a lL e a r n i n gT

5、h e o r y I tC a l ls o l y es m a l l-s a m p l el e a r n i n gp r o b l e m sb e t t e rb yu s i n gE x p e r i e n t i a lR i s kM i n i m i z a t i o ni np l a c eo fS t r u c t u r a lR i s kM i n i m i z a t i o n B e c a u s ei th a sq u i t ep e r f e c tt h e o r e t i c a lp r o p e r t i

6、 e sa n dg o o dl e a r n i n gp e r f o r m a n c e，S V Mt h e o r yb e c o m e st h en e wr e s e a r c hh o t s p o ta f t e rt h er e s e a r c ho f A r t i f i c i a lN e u r a lN e t O nt h eb a s i so fa n a l y z i n gt h ep a r a m e t e rp e r f o r m a n c eo fs u p p o r tv e c t o rm a

7、c h i n e，aw e i g h ti m m u n es u p p o r tv e c t o rm a c h i n e sm e t h o df o rs h o r t-t e r ml o a df o r e c a s t i n gi sp r e s e n t e di nt h i sp a p e r,i nw h i c hd i f f e r e n ts a m p l ei sg i v e nad i f f e r e n tw e i g h ta n dt h ep a r a m e t e r si nS V Mm e t h o

8、 da r eo p t i m i z e db Yi m i l l R i l ea l g o r i t h m T h r o u g ht h e s i m u l a t i o no fi n t e r a c t i o nb e t w e e na n t i g e n sa n da n t i b o d i e st h el m m l L r l ea l g o r i t h m,w h i c hi sd e s i g n e da c c o r d i n gt om e c h a n i s mo ft h ei m m u n es y

9、 s t e m so f h u m a na n do t h e rm a m m a l s，C a ne f f e c t i v e l ys u r m o u n tt h ep r e m a t u r ec o n v e r g e n c ea n dp r o m o t et h ed i v e r s i t yo fc o l o W T h es i m u l a t i o nr e s u l t sf r o ms h o r t-t e r ml o a df o r e c a s t i n ge x a m p l eo f a c t

10、u a lp o w e rn e t w o r ks h o wt h a tt h ep r e s e n t e dw e i g h ti m m u n eS V Mm e t h o dC a no f f e rm o r e,a c c u r a t ef o r e c a s t i n gr e s u l tt h a nS V Mm e t h o d。Ar m a c h i n el e a r n i n gm e t h o ds o-c a l l e dW a v e l e tk e r n e lS u p p o r tV e c t o rM

11、 a c h i n ei sg i v e n W ea l lk n o wt h a tm o t h e rw a v e l e tf u n c t i o nc a r lc r e a t ew a v e l e tf r a m e，a n dt h ek e r n e lf u n c t i o nw i t hw a v e l e tf r a m eC a l lb u i l dag r o u po fb a s i si ns q u a r ei n t e g r a ls p a c eo n l yb yt r a n s l a t i o n

12、As h o r t-t e r ml o a df o r e c a s t i n gm e t h o du s e st h eh y b r i dm o d e lo fw a v e l e tt r a n s f o r ma n ds u p p o r tm a c h i n ei sg i v e n A tf i r s t，b a s e dO i lw a v e l e tI IA b s t r a c tm u l t i-r e s o l u t i o na n a l y s i st h el o a ds e r i e si sd e c

13、o m p o s e di n t ot h es e r i e sw i t hd i f f e r e n tf r e q u e n c yc h a r a c t e r i s t i c s，t h e na c c o r d i n gt ot h ef e a t u r e so ft h ed e c o m p o s e dc o m p o n e n t sd i f f e r e n tS V M sa r ec o n s t r u c t e dt of o r e c a s tt h ec o m p o n e n t s，f m a l

14、 l yt h ef o r e c a s t e ds i g n a l so ft h ec o m p o n e n t sa r er e c o n s t r u c t e dt oo b t a i nt h eu k i m a t ef o r e c a s t i n gr e s u k S i m u l a t i o nr e s u l t ss h o wt h a tt h eg i v e nf o r e c a s t i n gm e t h o di se f f e c t i v e B a s e do nh a v i n gs u

15、 c c e s s f u l l yd e v e l o p e da ne l e c t r i cf o r e c a s t i n gs o R w a r e，am e t h o da b o u th o wt od e v e l o pas h o r t-t e r ml o a df o r e c a s t i n gs o f t w a r ei sg i v e n K e y w o r d sP o w e rs y s t e m；l o a df o r e c a s t i n g；S u p p o r tV e c t o rM a c

16、 h i n e；I m m u n ea l g o r i t h m；W a v e l e tt r a n s f o r mI I I燕山大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文基于支持向量机的电力系统短期负荷预测研究，是本人在导师指导下，在燕山大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人己发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名：I 司；灸日期：2。6 年3 月5 日燕山大学硕士学位论文使用授权书基于支持向量机的电力

17、系统短期负荷预测研究系本人在燕山大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归燕山大学所有，本人如需发表，将署名燕山大学为第一完成单位及相关人员。本人完全了解燕山大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权燕山大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。保密口，在年解密后适用本授权书。本学位论文属于不保密回。(请在以上相应方框内打“4”)作者签名：阀度日期：动。6 年3 月j 日导师躲幸诊、隰停3 月多目第1 章绪论第1 章绪论电力系统负荷预测是指利用历史负荷数据来

18、预测未来时刻的负荷值，是能量管理系统(E M S)的一个重要组成部分，已经成为实现电力系统管理现代化的重要内容之一，在电力系统制定机组组合方案、地区间的功率输送方案和负荷调度方案中均需用到。有效地提高负荷预测的精度，有利于电力系统的经济运行与安全运行，是合理地进行电力系统调度、计划、用电与规划的重要依据之一。1 1 课题研究的意义和特点1 1 1电力负荷预测的意义随着电力系统的商品化和市场化，电力负荷预测的准确性对电力系统安全经济运行和国民经济发展具有越来越重要的意义。电力负荷预测工作的水平的高低已成为一个电力企业的管理是否走向现代化的显著标志之一。尤其在我国电力事业空前发展的今天，用电管理走

19、向市场，电力负荷预测问题己经成为我们面临的重要而又艰巨的任务。负荷预测是电力系统运行调度中一项非常重要的内容，是能量管理系统(E M S)的一个重要模块，是保证电力系统安全经济运行和实现电网科学管理及调度的基础。电力负荷预测是否准确，也会影响到电力系统计划、规划等管理部门的工作。负荷预测是电力系统发电计划的重要组成部分，是调度合理安排电网运行方式、机组启停计划、交换功率计划等的基础，因此负荷预测精度的好坏会直接关系到产业部门的经济利益。负荷预测不足可能会导致用电紧张和系统运行安全性下降，因而由费用高的机组来承担负荷或者从邻近的电网买入价格较高的电能。另一方面，如果估计过量可能导致过多的旋转备用

20、因而增加运行费用，对于长期的负荷预测来说有可能造成设置过多的设备，引起资金积压。另外，负荷预测也有利于计划用电的管理，节煤、节油和降低发电成本，制订合理的电源建设规划，提高电力系统的经1燕山大学工学硕士学位论文济效益和社会效益。能量管理系统(E M S)需要过去、现在和未来三类数据，而负荷预测是未来数据的主要来源。负荷预测的目的就是根据历史数据研究其变化规律，建立最优数学模型，并对未来时间负荷进行准确的预测。预测中最重要指标是精度，其次才是模型与算法的选择。目前，我国大多数系统的负荷预测都是由调度人员人工进行，通过寻找相似日直观地预测。这就完全依赖于调度人员的经验。因此，迫切需要有一个自动负荷

21、预测系统，以满足经济调度和机组调停的需要。重要的是，这一系统应具有规范化的预报过程，减少对运行人员经验的依赖性，并适用于不同系统并满足精度要求。1 1 2电力负荷预测的特点与一般的经济预测相比，电力系统负荷预测由以下特点：(1)既要作短期预测，更要作中长期预测电力系统负荷预测按预测期限可分为超短期预测(小时)、短期预测(日、周及月)、中期预测(1 2 2 4 个月)、长期预测(5 1 0 年)四种。超短期预测用于质量监控、安全监视、预防控制和紧急事态处理。短期预测用于编制发电机的运行计划，确定备用容量，控制检修计划，估计收入，计算燃料及购入电量的数量和费用。在此期间内，发供电的固定成本及燃料储

22、备均认为不变，预测作为一种手段，用以促使现有的发电机组及电厂在最经济的状况下运行。短期预测一般由电网调度部门编制运行方式的人员做出。中期预测除用于电厂经济运行之外，还用于确定检修计划，确定电力系统间的交换功率，水力发电工程的水库和水文情况的估计，以及确定燃料和购电的数量和费用。在这期间还可能调整输变电建设计划。这种预测主要用于电力公司的计划部门。长期预测的期限大致由电力工业的建设周期相适应，因此，对电力部门来说这种期限的预测至关重要。根据这种预测的结果，做出发电项目的建设计划，包括电厂项目的建设地点、发电方式、建设规模、建设进度安排以及相邻电力N l B q 的售受关系。同时，长期预测也是输变

23、电工程建设计2第1 章绪论划的根据，还是配电计划、电价研究以及其它电力发展有关的经济研究的基础。我国电力规划部门所作的预测，主要是指这种预测。(2)既要作电力预测，又要做电量预测在电力、电量预测中，电量预测是基础，它不仅关系到电力建设的规模，而且也关系到能源资源的需求和平衡。f 3)电力系统负荷预测是被动型预测电力的需求有赖于经济发展的结果。电力负荷是随着电力用户的发展而增长。尽管电力工业部门也可以通过调整电价及其它调整负荷的措施去引导和影响电力用户对电力的消费，但对电力消费起主导作用的仍是电力用户自身发展的需要。(4)电力系统负荷预测受不确定因素影响较大电力生产的基本特点是产、供、销同时完成

24、。整个电力工业均受这一特点的制约和支配。在电网范围内，必须每时每刻保持发供用电之间的平衡。上述特点，要求电力负荷预测有相当高的准确性。但是，由于电力负荷的变化及其发展受多方面因素的影响，既受国民经济发展的影响，也受各用电部和用电设备的用电特性和用电方式的变化的影响，同时，气候条件也是影响电力负荷的一个不可忽视的因素。在影响电力负荷变化的诸因素中，许多因素是具有很大的不确定性的，如政治经济条件、天气变化等，往往难以准确预料，这就给电力系统负荷预测工作带来了很大的困难，使电力系统负荷预测也具有显著的不确定性。因此，必须对可能影响到预测结果准确性的各因素做出科学合理的分析和判断，对这些因素可能发生的

25、变化或变化的可能性和趋势做出尽可能定量的估计。1 2 国内外负荷预测情况的综述1 2 1负荷预测的研究历史和发展现状综观国内外在该领域的研究历史，科学预测源于2 0 世纪3 0 年代，经过几代研究者数十年的努力，得到快速发展。自8 0 年代以来，随着社会经济系统日趋复杂，预测面临着前所未有的困难，人们把目光转向非线性预测领域，并继续吸引着众多非线性科学研究者。目前已有近2 0 0 种预测方法，其中绝大多数都是线性方法，而在非线性方法中，神经网络是最引人3燕山大学工学硕士学位论文注目的方法。国外对于负荷预测的研究开展较早，美国华盛顿大学的D C P a r k 等人最早将神经网络应用于短期负荷的

26、预测，将传统模型中无法考虑的天气因素加入到模型中，得出了神经网络负荷预测模型比传统预测模型预测精度高的结论。但是D C P a r k 的模型中没有考虑到日类型、节日等其它因素，部分预测结果误差较大【l J。国内在9 0 年代以前也有关于负荷预测的研究，但是大都侧重电力需求的中长期预测，主要用于电力规划。随着我国电力企业逐步走向市场，电力系统的经营方式从垄断转变为市场竞争将成为必然。而且，短期负荷预测是电力市场的基础工作，随着电力市场改革的深入开展，其作用日益重要，国内的学者也从9 0 年代中期开始纷纷展开了人工神经网络在短期负荷预测领域的研究。总体来看，对负荷预测的研究经历了三个阶段：1 1

27、 对负荷预测的传统的数学统计方法的研究，如时间序列、回归分析等，研究重点在负荷序列本身的规律上；2)对负荷预测的人工智能的研究，如神经网络等，研究重点以新技术代替传统的方法；3)负荷预测的应用研究，重点是将各种负荷预测方法与影响负荷的各种因素结合起来进行研究，特别是天气因素。而且，在单个预测模型不能完全正确地描述预测量的变化规律时，还可以将几种预测方法得到的结果中选取适当的权值加权平均来得到预测值，能有效的改善预测效果。传统方法比较成熟，算法简单，速度快。然而，传统方法都是线性模型方法，因此在遇到本质为非线性的问题时就显得无能为力了。人工智能方法中主要有专家系统法、模糊逻辑法、模糊神经模型及人

28、工神经网络法等。在这些方法中，人工神经网络法无疑是最引人关注的方法，也是近十年来研究和使用最多的一种方法。由于神经网络具有并行分布信息、自学习及任意逼近连续函数的能力，尤其能实现复杂的非线性映射，因而能捕获电力负荷的各种变化趋势，受到研究人员的青睐。在短期负荷预测的研究中，应用最多的神经网络模型是B P 神经网络，因为它结构简单，处理问题的能力却很强大。然而，由于B P 网络学习算法4第1 章绪论实际上是利用梯度下降法调节权值使目标函数达到极小，而目标函数仅为各给定输入和相应输出差的平方和，导致了B P 网络过分强调克服学习错误而泛化性能不强。同时，B P 网络还具有一些其它难以克服的缺陷：隐

29、节点数难于确定、最终解过于依赖初值，易陷于局部极小点及收敛速度比较慢等待解决的问题。随着人工神经网络研究的深入，人们更加认识到它存在的严重不足。尽管众多的研究者已经提出了大量的学习算法，但大都基于克服训练错误。从概率统计的角度说，神经网络的学习算法采用经验风险最小化原理(E 砌旧，仅仅试图使经验风险最小化，并没有使期望风险最小化，与传统的最小二乘法相比，在原理上缺乏实质性的突破，同时也缺乏理论依据。总之，神经网络学习算法缺乏定量的分析与机理完备的理论结果。迄今为止，人们已经将很多种方法用于负荷预测领域，并取得了不同程度的成功 2】。这些方法大致可分为两类：传统预测方法和人工智能方法。传统的短期

30、负荷预测方法以时间序列法、回归分析法、趋势外推法、弹性系数法、灰色模型法、专家系统法以及优选组合预测法为主，这些算法的原理简单，速度快，但多是线性模型，很难模拟复杂多变的电力负荷。文献【l】采用模糊线性回归法预测长期负荷，虽然考虑到影响因素的模糊性，但仍然是线性回归方法：文献【2 提出可变权综合预测模型，对影响因素采用不同的权重，但仍不能很好地模拟因素与负荷之间的非线性关系；文献【3】利用卡尔曼滤波方法处理历史数据，但模型的建立依然是最小二乘法模拟负荷与影响因素之间的线性关系。人工智能方法主要包括专家系统【4】、模糊逻辑方法【5】和人工神经网络方法等。人工神经网络方法因具有万能逼近(以任精度逼

31、近任意一个连续函数)能力和自学习能力，故较以前的方法能更准确地描述负荷和影响负荷因素之间的非线性关系，因而得到了高度的关注，并被广泛应用于短期负荷预测领域。文献1 6 t 7 采用经典B P 算法的神经网络进行负荷预测，文献【8 10 都对经典的B P 算法进行改进，文献 8 F J I 入灰色预测法，文献 9】采用的是小波神经网络，文献 1 0 提出了遗传算法的神经网络，这些算法较经典的B P 算法神经网络在收敛精度、收敛速度以及全局优化这方面有所改善，但是这类方法存在最终解过于依赖初值，存在过学习现象，训练过程中存在气燕山大学工学硕士学位论文局部极小问题，且收敛速度比较慢，网络的隐节点数难

32、于确定等问题f 1”。2 0 世纪7 0 年代，V a p n i k 等人提出统计学习理论，并用其研究有限样本的机器学习理论，为有限样本，尤其是小样本情况下的机器学习提供了有力的理论依据，到2 0 世纪9 0 年代中期，随着该理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，统计学习理论开始受到越来越广泛的重视 1 2-1 7】，并在此理论框架下产生了支持向量机(S u p p o r tV e c t o rM a c h i n e，S V M)这一新的通用机器学习方法。近年来，人们又发展了回归型支持向量机，它可以按任意精度逼近非线性函数，具有全局极小值点、收敛速度快

33、的优点。负荷预测问题可以看成一个函数回归问题，因为负荷预测就是利用过去和当前的观测值估计未来值，这实际上是基于这样一个假设，即未来值和过去值存在某种确定的函数关系，预测的目的就是试图构造这一函数。与人工神经网络方法 1 8-2 0】相比，S V M 不存在容易陷入局部最优等问题，并且提高了泛化能力，因此有较大的优越性。随着V a p n i k的不敏感损失函数的引入，S V M 己经扩展为解决非线性回归估计问题，而且与神经网络方法相比，有着显著的优越性，被认为是人工神经网络方法的替代方法【2 m 钔。S V M 算法是一个新的算法，同其它任何新算法一样也存在一定的不足，也需要不断的完善。对S

34、V M 标准算法的扩展是一个重要的研究方向。S V M模型选择口5 2 7 1 也是目前研究热点之一，尤其是核的选择口8】和进化算法 2 9-3 0 l以及核参数【3 1】的选择等。负荷预测方法发展至今，已经积累了不少经验。但是，由于电力系统的负荷要受到很多因素的影响，如负荷构成，负荷随时间变化规律，气象变化的影响及负荷随机波动。按照系统负荷构成，不同的负荷有着不同的变化规律，而且一个地区负荷往往含有几种类型的负荷，比例不同。各类用电负荷的时间变化规律是不同的，由它们构成的系统负荷具有不同的变化规律。气象对负荷有明显的影响，气温、阴晴、降水和大风都会引起负荷的变化，但每个电网负荷对各种气象因素

35、的敏感程度是不相同的，这是研究负荷预测的重要内容。负荷的随机波动是指某些未知的不确定因素引起的负荷变化，对每一电网随机波动负荷大小是不相同的。基于影响负荷6簧l 鬻绪论预测的众多不同的因素，迄今为止还没有开发出一种适用于不同地区的通用方法，因此研究适用予其体系统的短期负荷预测方法己成为电力系统调发鑫动讫中瓣一个重要渫慧，霹辩这袭楚毫力枣场发震懿必然蘩墩。在应用上，国外的电力企业大都使用特定的负荷预测软件能。如美国R e g i o n a lE c o n o m i cR e s e a r c h，I n c(简称R E R)开发的软件包M e t r i x N D 综合了李孛经网络方法

36、、嚣亨阕亭捌获摆数平潺技零等，软件憩提供了短期受蕊颈测及电价预测功能，但是没有相关的预测精度说明。A K h o t a n z e d 等开发的A N N S T L F(人工神经网络短期负荷预测系统)目前夜北美有多个电力部门使用。国内仍鲶于试验除段，实际应蘑鞍少。涛华大学编翻了一套受蘅预溅软件，国内些供电企业也进行了试用。1 2 2 负荷预测算法的介绍f 1)趋势乡 雅法当惫力受薅袄粒瓣交馥二呈现菜秘上齐或下酶瓣趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t 为自变量，时序数值Y 为因变量，建立趋势模溅y=f(t)。当毒理由褪傣这零孛趋势熊够延傍到

37、未来孵，赋予变爨t 所霉要的攘，可以得到裙应辩刻静时阊痔列_；|乏来僮。遮藏楚趋势外捺法。应霜趋势岁 推法育两个假设条件：假设负荷没有跳跃式变化；假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应掰趋势磐接浚戆重要舔节，图形识襄浚露差分法燕选择趋势模黧豹两耱基本方法。外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、撑数莛线趋势颈 翼l 法、生长麴线趋势鞭溪法。趋势终接法豹蕊杰蹙：只嚣要历史数蠡、所需的数据麓较少。缺点是：如果负荷出现变动，会弓 起较大的误差。(2)弹性系数法弹憾系数是电量平均增长率与阑内生产总傻之间的比毽，禳据国内生产总篷懿蹭长速

38、度缭合弹淫系数褥至l 麓麓麓末静藤雳电量。弹性系数法魑从宏观上确定电力发展同国民经济发展的相对速度，它是衡量国民经济发展和用电需求的重要参数。该方法的优点是：方法简单，易燕山大学工学硕士学位论文于计算。缺点是：衙傲大量细致的调研工作。焱枣场经济祭 串下，宅力辩毪系数已经交褥搀蒺蚕宠，荠显疆羞辩学技术的迅猛发展，节电技术和电力需求侧管理、新经济(如知识经济、信息经济)的不断产生芹口发展，以电能替代其它非电能源的范围不断扩大，电力与经济的关系急剧变化，电力懿求与经济发溪款交健步钱严重失谖，臻褥弹幢系数难以捉撰，使用弹性系数法预测电力需求难以襻剐满意的效聚，应逐步淡化。(3)回归分析法回归预测是根据

39、负旖过去的历史资料，建立可以避行数攀分辑粒数学羧登。爰数瑾统诗中靛鼙麴分析方法对变譬翡囊溅数据统计分析，从而实现对未来的负荷进行预测。回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。其中，线性咧归用于中期负莓预溅。基塑分辑法是逶过对掰囊数据蕊分辑、骚究探索缀济、桂会器窍关困豢与电力负荷的内在联系和发展交化规律，并根据对规划期内本士i 甄区经济、社会发展情况的预测来推辣未来的电力负荷。可见该方法不仅依赖予模型的难确性，疑依赖于影响照予其本身预测篷静赡荔度。对予该方法，藏释嚣求叛合鹃全送淘都一致。(4)时间序列法时间序列法口3】就是根据负荷的历史资料，设法建立一个数学模型，用这个数

40、学模型一方面来描述电力负荷这个随机变量变化过程懿绞诗痰建瞧；癸一方嚣在该数学模型懿鏊礁上孬殡立受蓰羲涎戆数学表达式，对未来的负荷进行预测。时间序列法主要有自回归A R(p)、滑动平均M A(q)和自回归与滑动平均A R M A(p，0 3 等。这魑方法的优点是：所需历史数撂少、工佟量少。缺点是：没有考虑负荷变纯麴因素，只致力于数据酌擞台，对规律幢的处理不足，只适用于负荷变化比较均匀的短期预测的。(5)灰色模型法灰色系统理谂p 4】将一切随机变化量看作是在一定范鞭肉交睨戆获色量，鬻懑罴黧生成(A G O)葶I I 累减艇或(I A G O)豹方法将杂鬣凭章的原始数据整理成舰律性较强的生成数据列。

41、用灰色模型(G M)的微分方程作为电力系统单一指标(如负荷)的预测时，求解微分方程的时间响应函数表达式鼙梵辑求的获毽颈溅模堑，怼模型的麟发帮可售度逡学校验并修燕8第1 章绪论后即可据此模型预测未来的负荷。此法适用于短、中、长三个时期的负荷预测。灰色预测是一种对含有不确定因素的系统进行预测的方法。以灰色系统理论为基础的灰色预测技术，可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测的模型。分为普通灰色系统模型和最优化灰色模型两种。普通灰色预测模型是一种指数增长模型，当电力负荷严格按指数规律持续增长时，此法有预测精度高、所需样本数据少、计算简便、可检验等优点；缺点是对于具有波动性变化的电

42、力负荷，其预测误差较大，不符合实际需要。而最优化灰色模型可以把有起伏的原始数据序列变换成规律性增强的成指数递增变化的序列，大大提高预测精度和灰色模型法的适用范围。灰色模型法适用于短期负荷预测。灰色预测的优点：要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、短期预测精度高、易于检验。缺点：一是当数据离散程度越大，即数据灰度越大，预测精度越差；二是不大适合于电力系统的长期后推若干年的预测。(6)专家系统法专家系统预测法【3 4】是对数据库里存放的过去几年甚至几十年的，每小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的规则进行负荷预测。专家系统法，

43、是对人类的不可量化的经验进行转化的一种较好的方法。但专家系统分析本身就是一个耗时的过程，并且某些复杂的因素(如天气因素)，即使知道其对负荷的影响，但要准确定量地确定他们对负荷地区的影响也是很难的。专家系统预测法适用于中、长期负荷预测。此法的优点是：能汇集多个专家的知识和经验，最大限度地利用专家的能力；占有的资料、信息多，考虑的因素也比较全面，有利于得出较为正确的结论。缺点是：不具有自学习能力，受数据库里存放的知识总量的限制；对突发性事件和不断变化的条件适应性差。(7)神经网络法1 9 9 1 年D C P a r k 等人第一次将神经网络1 应用于电力系统负荷预测，并取得了令人满意的结果。神经

44、网络预测技术可以模仿人日燕山大学工学硕士学位论文脑做智能化处理，对大量非结构性、非确定性规律具有自适应功能。A N N应用于短期负荷预测比应用于中长期负荷预测更为适宜。因为，短期负荷变化可以认为是一个平稳随机过程。而长期负荷预测可能会因政治、经济等大的转折导致其模型的数学基础的破坏。优点是：可以模仿人脑的智能化处理；对大量非结构性、非精确性规律具有自适应功能；具有信息记忆、自主学习、知识推理和优化计算的特点。缺点是：初始值的确定无法利用已有的系统信息，易陷于局部极小的状态；神经网络的学习过程通常较慢，对突发事件的适应性差，因而适用于短期负荷预测。在以上方法中，人工神经网络法无疑是最引人关注的方

45、法，也是研究和使用最多的一种方法。然而，近年来在对神经网络的理论和方法的深入研究中，似乎已经无法突破现有的成果，只能对它们进行某种改进，或将它与其它方法进行某种结合。总之，神经网络学习算法缺乏定量的分析与机理完备的理论结果。(8)小波分析预测技术小波分析“1 是一种时域一频域分析法，它在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，它容易捕捉和分析微弱信号以及信号、图像的任意细小部分。其优点是：能对不同的频率成分采用逐渐精细的采样步长，从而可以聚集到信号的任意细节，尤其是对奇异信号很敏感，能很好的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，从

46、而能够方便地加以处理、储存、传递、分析或被用于重建原始信号。这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。(9)优选组合预测法优选组合预测有两类概念：一是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均；二是指在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型进行预测。组合预测方法是建立在最大信息利用的基础上，它最优组合了多种单一模1 0第1 章绪论型所包含的信息。1 1 3 本文的主要工作本文在进行大量的文献调研和资料研究的基础上，提出了基于加权免疫支持向量机的负荷预测的新方法，从而有效的解决了支持向量机参数选择的难题，并对传统支持向量机算法进行了改进，

47、加快了学习速度，从而为支持向量机解决回归问题的实用化奠定了基础。主要在以下几个方面进行了研究：(1)深入了解当前国内外负荷预测研究的现状，对各种预测方法进行细致的研究，了解它们所适用的范围以及所存在的不足；(2)在对支持向量机(S V M)方法的参数性能进行分析的基础上，提出了一种加权免疫支持向量机方法来预测电力系统短期负荷，其中利用免疫算法来优化支持向量机的参数。免疫算法是根据人类或其它高等动物免疫系统的机理而设计的，通过抗原和抗体之间的相互作用过程，有效地克服了未成熟收敛现象，提高了群体的多样性。电力系统短期负荷预测的实际算例表明，与传统支持向量机方法相比，加权免疫支持向量机方法具有更高的

48、预测精度；(3)将小波分析的方法引入支持向量机的负荷预测。由于母小波函数可以生成小波框架，用小波框架来构造的核函数仅通过平移就能生成平方可积空间中的一组完备的基，也就是说，满足M e r c e r 条件的小波框架核可以作为S V M 核函数来使用，而采用该核函数的S V M，能够逼近平方可积空间中的任意函数：(4)给出小波变换和支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列，然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测，最后对各分量预测信号进行重构得到最终预测结果，实验结果表明该方法的有效性；(5

49、)对负荷预测软件的开发提出了构想，并编制了售电量预测软件。燕山大学工学硕士学位协文第2 耄统计学习理论与支持蜀羹撬2 1 学习问题的数学表达懿器学习是耱不竞全努纳法，英嚣煞怒凝荔绘定懿训练襻奉砖菜系统输入输出之间的依赖关系进行估计，使它能够对未知输出做出尽可能准确的预测，即希望梅一个较小的样本集上得到个在整个样本空间普遍成立翡觏对。毽避，对学习效果豹穗诗可疆逶遵斓望最验(E x p e c t e dR i s k)避括译徐。对予1 1 令独立丽分布观灏榉本瞒，咒)，x 2，咒)，(翰，咒)，学习瓣f(x，w)柜整个样本警间的期望风险可定义为：霆蟛=l L(y，f(x,w)d F(x，砖(2-

50、1)式中参数w 为函数族f(x，w)的控制参数，函数L(y，f(x，切)为学习豹损失丽数，它袭示f(x，w)与Y 之间的偏熬，F(x，力为洋与Y 的联合分布。损失黼数静选择会雾嚷学习飒懿整魏。经灌采露懿掼失委数亳爨下见耱登敲：(1)=次损失函数L(y，f(x，w)=(_ y f(x，w)2(2*2)(2)绝对僮损失送羧强豇，x，w)=t y f(x，硼(2”3)(3)H u b e r 损失黼数L(1 y 一灭墨蜘；。涉一，协叫一一1 2 e 2 罗一灭葛删 丢f y 一，(x，忉f y-f(x,w)i 型。2“秘)s 不敏感援失蘧数毛(尹，灭墨嘲=岁一f(x，哪翻。(2*5)舯 y-f(x,