基于支持向量机的短期电力负荷预测方法研究.pdf

《基于支持向量机的短期电力负荷预测方法研究.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机的短期电力负荷预测方法研究.pdf（73页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、武汉理工大学硕士学位论文基于支持向量机的短期电力负荷预测方法研究姓名：肖蔚申请学位级别：硕士专业：控制理论与控制工程指导教师：黎洪生20080401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

2、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 s c o r e 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

3、间维数的压缩。本文提出了一种将F s c o r e 特征选择与支持向量机相结合的预测方法，该方法采用F s c o r e 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 s c o r e 的特征选择能力又利用了S V M 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 s c o r e 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。关键词：电力系统短期电力负荷预测支持向量机F s c o r e 特征选择A b s t r a c tT h ed a i l yo p e r

4、 a t i o na n dp l a n n i n ga c t i v i t i e so fa ne l e c t r i cu t i l i t yr e q u i r e st h ep r e d i c t i o no ft h ee l e c t r i c a Id e m a n do fi t sc u s t o m e r s I ng e n e r a l t h er e q u i r e dl p a df o r e c a s t sc a nb ec a t e g o r i z e di n t os h o r t t e r m

5、，m i d t e r m，a n dl o n g t e r mf o r e c a s t s T h eq u a l i t yo fs h o r t t e r ml p a df o r e c a s t sh a sas i g n i f i c a n ti m p a c to nt h ee c o n o m i co p e r a t i o no ft h ee l e c t r i cu t i l i t ys i n c em a n yd e c i s i o n sb a s e do nt h e s ef o r e c a s t s

6、h a v es i g n i f i c a n te c o n o m i cc o n s e q u e n c e s T h ei m p o r t a n c eo fa c c u r a t el p a df o r e c a s t sw i l li n c r e a s ei nt h ef u t u r eb e c a u s eo ft h ed r a m a t i cc h a n g e so c c u r r i n gi nt h es t r u c t u r eo ft h eu t i l i t yi n d u s t r

7、yd u et od e r e g u l a t i o na n dc o m p e t i t i o n T h i se n v i r o n m e n tc o m p e l st h eu t i l i t i e st oo p c r a t ea tt h eh i g h e s tp o s s i b l ee f f i c i e n c y,w h i c ha si n d i c a t e da b o v er e q u i r e sa c c u r a t el o a df o r e c a s t s G e n e r a l

8、 l y,t h e r ea r et w ok i n d so fm e t h o d o l o g l e sf o rl o a df o r e c a s t i n g O n ei si nat r a d i t i o n a lw a y,r e p r e s e n t e db yt i m es e r i e s a n o t h e ro n ei St e r m e da sn e wa r t i f i c i a li n t e l l i g e n c em e t h o d r e p r e s e n t e db yt h e

9、a r t i f i c i a ln e u r a ln e t w o r k 1 1 1 i SP 叩e l a n a l y s e st h eb a s i ct h e o r i e so fS V M S V Mh a v et h er e m a r k a b l ea d v a n t a g e so fn o n l i n e a rr e g r e s s i o n h i g hf o r e c a s t i n ga c c u r a c ya n ds m a l lt i m ec o m p l e x i t y A c c o

10、r d i n gt h en o n l i n e a rr e l a t i o n s h i pb e t w e e nt h ef o r e c a s t i n gl p a da n di t si n f l u e n c ef a c t o r s，T h i sP a p o rp r o p o s e st ou s ei t sa d v a n t a g e so fn o n 1 i n e a rp r o c e s s i n ga n dg e n e r a t i n ga b i l i t yt oa c c o m p l i s

11、 hs h o r t-t e r ml o a df o r e c a s t i n go fp o w e rs y s t e m，S Oa st oi m p r o v ef o r e c a s t i n gp r e c i s i o na n de x e c u t e ds p e e d a n dp r o p o s e sas h o r t t e r ml o a df o r e c a s t i n gm o d e lb a s e do nS V M C o m p a r e dw i t ht h ef o r e c a s t i n

12、 gm e t h o do fa r t if i c i a ln e u r a ln e t w o r k s(A N N)，t h es i m u l a t i o nr e s u l t so ft h ep r a c t i c a la p p l i c a t i o ns h o wt h a tt h eS V Mm e t h o di sm u c hb e t t e rt h a nA N N I nr e g a r d st of o r e c a s t i n go nt h eb a s eo fS V M f e a t u r es e

13、 l e c t i o nh a ss i g n i f i c a n ti n f l u e n c ea si tm a yl o w e rt h ec o m p l e x i t yo fl e a r n i n g，e n h a n c et h eg e n e r a l i z a t i o na b i l i t ya n ds i m p l i f yt h el e a r n i n gm o d e l F s c o r ef e a t u r es e l e c t i o nf i n d st h em a i nf e a t u

14、r ec o m p o n e n tf r o mt h em u t l i d i m e n s i o nd a t ai no r d e rt oe l i m i n a t et h ec o l l i n e a r i t ya n dc h a o sa m o n gt h ev a r i a b l e sa n dc o m p r e s st h ed i m e n s i o ni nt h es p a c e T h i sa r t i c l ep r o p o s e st oc o m b i n et h eF s c o r ea

15、n dS V Mt or e a l i z et h es h o r t t e r ml o a df o r e c a s t i n g A f t e rt h ef e a t u r ed i m e n s i o n sa r er e d u c e db yF s c o r es e l c e t i o n，t h ep r i n c i p l ec o m p o n e n tc o n t a i n i n gt h ei n f o r m a t i o no fs a m p l ed a t aa r es e n tt os u p p o

16、 r tv e c t o rm a c h i n ef o rt r a i n i n g T m Sp r o p o s a lc o m b i n e dt h ef e a t u r es e l e c t i o na b i l i t yo fp r i n c i p l ec o m p o n e n ta n a l y s i st o g e t h e rw i t ht h ee x c e l l e n ta b i l i t yo fs u p p o r tv e c t o rm a c h i n ef o rn o n l i n e

17、a rf u n c t i o na p p r o a c h i n g T h ee m p i r i c a lr e s u l t ss h o wt h a tt h ep r e c i s i o na n dt h eg e n e r a l i z a t i o na b i l i t yo ft h el p a df o r e c a s t i n gm o d e la r ei m p r o v e db yt h i sm e t h o d K e yW o r d s：P o w e rs y s t e m，S h o r t t e r

18、ml o a df o r e c a s t i n g，S u p p o r tv e c t o r，F-s c o r ef e a t u r es e l e c t独创性声明本人声明，所里交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意研究生i 签名，：弭日期皇兰幽关于论文使用授权的说明本人完全了解武汉理工大学有关保留，使用学位论文

19、的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅：学校可以公布论文的全部内容，可以采用影印、缩印或其他复制手段保存论文研究生(签名)：(保密的论文在解密应后遵守此规定)导师(签名)：丝堕竺日期趁叁：Q 上：f r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电力系统应尽可能地向各类用户提供安全、可靠、优质的电能，并随时满足各类电力用户的负荷需求。电力负荷预测是计划用电的重要环节，它关系到：及时掌握负荷的发展趋势；正确贯彻、执行国家各个时期的方针政策，适应各个时期经济发展和社会进步对电力的需求；搞好计划用电、均衡用电；保证电网的安全、经济可靠运行；安排好

20、系统的运行方式和检修计划【l 圳。由于电力工业和其它产业不同，其产品电能无法大量储存，电力的生产和消费必须在同一瞬间进行，电力部门应依据负荷预测的结果，安排运行计划以及系统规划等，这使得负荷预测成为电力公司降低成本，提高企业竞争力的关键因素。电能在国民经济各个行业和人民生活中占有很重要的位置。在供需矛盾突出的时期内，电力负荷预测尤显重要，它是电力部门和政府经济、计划部门制定经济发展规划、供给计划、燃料计划等重要经营计划的基础。由于电力负荷反映的是用电设备瞬间耗用电力的情况，一个电网内用户的千差万别给负荷预测工作带来了很多的困难。负荷预测的生命力就在于预测的准确性。因此，预测值应尽量接近实际用电

21、负荷。在做电力负荷预测时，应该考虑市场经济的发展动向。由于客观上存在着不能预测的经济动向等，预测值和实际状况产生差异是必然的。因此，应根据情况的变化不断的进行修正【3】。1 1 2 电力负荷预测的分类电力负荷可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其它负荷。城市民用负荷主要是城市居民的家用负荷。商业负荷与工业负荷是各自为商业与工业服务的负荷【4 1。在我国，农村负荷是指广大农村的所有的负荷(包括农村村民用电、生产与排灌用电以及商业用电等)，而其它负荷则包括市政用电(如街道照明)、公用事业、政府办公、铁路与电车、军用以及其它等。在以上各类负荷中，城市居民用电具有经常的年增长以及明显

22、的季节性波动特点，而居民负荷的季节性变化在很多情况下直接影响系统峰值负荷的季节性变化，但其影响程度则取决于城市居民负荷在系统总负荷中所占的比重。由于敏感于气候的家用电器日益广泛的采用，居民负荷变化对系统峰值变化的影响将越来越大。商业负荷也同样具有季节性变动的特性，而这种变化主要也是由于商业部门越来越广泛的采用空调、电风扇、制冷设备等敏感于气候的电器所致，并且这种趋势正在增长。相对来说，工业负荷一般都是受气候影响较小的基础负荷。但是这并非说它不受气候的影响，例如在高温季节，工业负荷也将含有为降温和防暑所必须的耗电。然而，由于工业负荷本身基数很大，另一方面尤其是由于三班连续生产，因此这类负荷变动较

23、小，但是某些工业用户可能具有一些特殊的要求，如要求很高的功率，但这并不一定要求很大的用电量，某些工业用户可能具有明显的季节特性，但这些用户特性均能事先掌握，从而可以采用相应的措施加以对待。其它各类负荷，根据它们的不同特点，也可能具有季节性变化的因素。电力系统负荷预测从时间方面来说，可以分为长期、中期、短期与超短期。长期与中期之间没有明确的分界线。一般来说，长期预测可长达数十年，而中期预测通常为1 季度1 年，短期预测则是指1 日1 月，而超短期则一般为5 1 0 秒。长期与中期负荷预测的意义在于：新的发电机组的安装(包括装机容量的大小、型式、地点和时间)以及电网的增容或改造，均取决于对未来若干

24、年的负荷预报。而超短期负荷预测，主要用于电能质量控制。短期负荷预测的意义包括：(1)能对运行中的发电厂的出力要求提出预告，使得事先可以估计发电机组出力变化的情况。对于装机容量不大的孤立电网，短期负荷预测是必要的。(2)对于一个容量较大的电网，为了经济合理地安排本网内各发电机组的起动与停机，以使系统在要求的安全范围内为保持必要的储备容量的耗费为最小，短期负荷预报也是必须的。(3)当电网进行计算机在线控制时，应当用短期负荷预测的信息来实现发电容量的合理调度，满足给定的运行要求，同时使发电成本为最小。(4)进行负荷预测是电网商业化运营所必需的基本内容。随着电力体制改2革的深化和电力市场的建立和发展，

25、经济性成为电网运行的重要指标，也对短期负荷预测提出了更高的要求，短期负荷预测不再仅仅是电网能量管理系统(E M S)的一部分，同时也是制定电力市场交易计划的重要依据。当前，随着电力市场的发展，影响电力负荷变化的因素将变得更加复杂，如果说在计划经济的条件下短期负荷预测还是一个纯技术性问题，那么在电力市场条件下短期负荷预测应当是一个技术性和经济性相结合的问题，这就迫切需要引入新的预测技术来跟踪这种变化。电力市场的发展需要准确的短期负荷预测，本文正是基于这种要求而进行短期负荷预测问题的研究。1 2 电力负荷预测的研究现状负荷预测是一项重要的基础性工作，我国对负荷预测的重视程度经历了一个认识的过程。在

26、1 9 7 0 年到1 9 9 6 年的缺电时期，由于控制用电、控制报装等客观原因，对负荷预测要求较低，造成负荷预测的准确度不高，对新方法的应用力度不够。1 9 9 7 年后，我国电力市场由卖方市场转向买方市场，由以产定销变成以销定产。近年来，随着用电需求的不断攀升，我国出现了大面积的“电荒，这与缺少准确的负荷预测不无关系。随着电力市场机制的不断完善，电力公司力求及时、准确地把握负荷变化的信息，把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。目前，负荷预测的方法主要可分为定性的经验预测技术和依赖于数量模型的

27、定量预测技术。经验预测方法主要依靠专家或专家组的判断，仅给出一个方向性的结论，预测结果也不是数值型的。定量预测技术比较常用的方法主要有：时间序列法、卡尔曼滤波分析法【5】、回归分析法、指数平滑预报法、模糊预测法【6 1、入工神经网络方法【7。8 1、灰色模型法、专家系统法【9 1、优选组合预测法、小波分析预测法等。这些方法有着成熟的理论基础，在实际电力系统中都有应用，然而它们也都有各自的缺陷，实际预测效果并不理想，不能完全满足当前电力系统发展的需要。因此，应用新的预测理论，探索新的预测方法仍旧是电力工作者一项非常迫切的任务。本项目将基于统计学习理论的支持向量机(S u p p o r tV e

28、 c t o rM a c h i n e，S V M)方法用于负荷预测，力求为电力系统短期负荷预测提供一种新的方法。1 3 电力负荷特性及负荷预测的特点1 3 1 电力负荷特性电力负荷的特性是一方面表现为一定的周期性，另一方面表现为连续性。人是消费电能的主体，电力负荷是随人生产、生活的周期性而具有周期性：电力负荷又因为电力系统的运行特性而具有连续性。负荷的周期性表现为日周期性，周周期性和季节周期性。负荷变化的日周期性是指以一天2 4 小时为周期的负荷变化所体现出的规律性。需要指出的是负荷的周期性变化并不是每一周期简单地重复前一个周期的数值，实际上后一个周期和前一个在数值上是不同的，数值改变的

29、大小具有一定的随机性。负荷变化的周周期性是指从以七天为一周期的负荷变化中体现出来的规律性。一般来讲，公休日的负荷水平较低，工作目的负荷水平较高。这一特点与人们的日常生产、生活习惯紧密相连的。一般工作日期间，负荷的主要组成为工业负荷，这些工业负荷在工作日期间通常处于稳定的运转之中，因此工作日的负荷变化具有相似性；而周末期间，工业负荷所占比重大幅度下降，而居民生活用电、餐饮业等服务性的行业所占比重明显上升。节假日类型的负荷也具有相似性，但此类负荷明显较工作日类型负荷低。电力负荷还具有季节性的特点。春秋季节的负荷受温度和天气影响较小；在夏季，空调负荷所占比重较大，因此负荷总量将随着温度的变化相应增减

30、；而在冬季，取暖负荷所占比重增加，遇到寒潮来临取暖负荷还有可能会激增。电力负荷不但具有周期性，而且具有一定的连续性，即电力负荷的变化一般不会出现大的跃变，负荷曲线上任意相邻两点之间的变化是连续的，不存在奇点。从电力系统的稳定性可以找出负荷连续性的原因。为了保证电力系统的稳定运行，必须避免对系统造成大的冲击，无论是增加或是切除负荷都要求负荷的变化大小在一定的范围之内。电力负荷具有周期性和连续性特点，使负荷预测成为一可能。1 3 2 电力负荷预测的特点由于电力负荷预测是根据电力负荷的过去和现在推测它的未来数值，所以，电力负荷预测工作所研究的对象是不确定事件。只有不确定事件、随机事件，4才需要人们采

31、用适当的预测技术，推知负荷的发展趋势和可能达到的状况。这就使电力负荷预测具有以下明显的特点。(1)不准确性电力负荷未来的发展是不确定的，它要受到多种多样复杂因素的影响，而且各种影响因素也是发展变化的。人们对于这些发展变化有些能够预先估计，有些却很难事先预见到，加上一些临时情况发生变化的影响，因此就决定了预测结果的不准确性或不完全准确性。(2)条件性各种负荷预测都是在一定条件下作出的。对于条件而言，又可分为必然条件和假设条件两种，如果负荷员真正掌握了电力负荷的本质规律，那么预测条件就是必然条件，所作出的预测往往是比较可靠的。而在很多情况下，由于负荷未来发展的不肯定性，所以就需要一些假设条件。当然

32、，这些假设条件不能毫无根据的凭空假设，而应根据研究分析，综合各种情况而得来。给预测结果加以一定的前提条件，更有利于用电部门使用预测结果。(3)时间性各种负荷预测都有一定的时间范围，因为负荷预测属于科学预测的范畴，因此，要求有比较确切的数量概念，往往需要确切地指明预测的时间。(4)多方案性由于预测的不准确性和条件性，所以有时要对负荷在各种情况下可能的发展状况进行预测，就会得到各种条件下不同的负荷预测方案。负荷预测要根据实时数据对未来的负荷进行预测。随着时间的推移，负荷特性逐渐发生变化，已建立的模型可能会随着这样的变化而失效。所以，我们不仅应该根据不同特性的负荷选择不同的预测方法，还要对已建立的负

33、荷模型进行适当的调整，已确保在负荷特性变化时能做出准确的预测。1 4 短期负荷预测的要求和步骤电力系统的负荷既有一定的规律性，又有很强的随机性，未来某一时刻的负荷，通常与过去的负荷水平、当前的运行状况、预测期的气象因素以及日期类型等相关。因此，对负荷预测的要求也就是对预测模型的要求，必须考虑下述问题：(1)模型应能反映负荷随着季节、星期及一天2 4 小时周期性波动的特点。(2)模型应能反映负荷自然增长的内在规律。(3)模型应能反映气温、日照等气象因素的影响。(4)近期负荷变化趋势比早期负荷变化趋势对未来负荷变化的影响更加明显，数学模型应能反映出这种“近大远小”的规律。(5)对节假日期间的负荷应

34、建立专用预测模型，且能够根据现场需要，提前对节假日期间的负荷进行预测。(6)模型应能适应在线应用的需要。电力系统短期负荷预测一般是对月、周、天或小时，甚至几分钟的负荷进行预测。它既可以预测功率，也可以预测能量，但一般是以预测功率为主。短期负荷预测的一个突出的特点：在对负荷进行预测前，都要对历史的负荷资料进行分析，而且也可以只靠负荷的历史资料，就能完成未来某一时刻的负荷预测。从中我们可以看出：电力负荷之间的时间距离越近关系越密切，即相似度越大，所以当负荷预测点距离历史数据较远时，预测值的误差相对较大；而预测点距离历史负荷数据较近时则误差相对较小。因此在进行负荷预测时，应尽可能采用靠近预测点近的历

35、史数据，或者考虑对距离预测点相对较近的历史数据，因其相似度越大，可以采用赋予一个较大的权重系数来处理；相对较远的历史数据则相反。要对电力系统负荷进行科学的预测，不但要选择行之有效的预测方法和先进的新思路，而且要从最基本的收集历史数据着手，进行必要的分析、研究与选择，这些看似简单的工作却关系整个预测结果的成败。短期负荷预测的基本流程图如图1 1 示：图1-1 短期负荷预测流程图61 4 1 历史负荷数据的收集与选择在确定预测对象后，就要多方面广泛地搜集历史资料，包括精确的历史负荷资料和气象部门的历史天气资料，以及相应的社会发展资料，然后将其归类整理、分析和研究，从中选出最新的、直接相关的一部分历

36、史数据待用。其中需注意对所选的数据进行必要地分析：数据是否具有前后连续性；是否准确无误，没有跃变；是否完整无缺而需要添加新的数据等。这些基本工作是否完善，将会直接影响负荷预测的结果。1 4 2 历史负荷数据的预处理过程当历史负荷数据的选取工作完成之后，就可以进行负荷预测。短期负荷预测需要大量的历史负荷数据，而历史负荷数据大多是通过电量变送器或电力远动调度系统采集得到，除了受测量设备本身或者数据传输中的种种原因影响外，还有人为拉闸限电等因素的影响，使历史负荷数据中某一天的数据可能出现和包含有数据缺失、非真实的数据和异常波动数据，通常称之为不良数据或伪数据，它们或者在数量级上与正常值相差很大，或者

37、虽然在量级上没有显著差别，但是误差却越过了正常的范围。所以为了让预测更容易控制，对历史负荷数据进行预处理是十分必要的。数据预处理就是在利用这些数据之前，应先对其进行加工，去除不规则数据和填补缺失数据，消除不良数据或伪数据的影响。进一步的数据预处理还可以减少输入向量容量，以避免由于样本容量增加和数据的不规范而引起问题复杂性的指数级增长。文献【l o】采用启发式方法规则化数据，文献【1 1】利用数理统计等方法计算负荷的偏离率来进行负荷数据的预处理。本文主要采用F S C O r e 特征选择方法提出冗余输入向量后再通过支持向量机训练来得到预测模型进行电力负荷的预测。1 4 3 建立合理的电力负荷预

38、测模型建立负荷预测模型的作用是为了能够描述所预测的电力系统负荷变化的特点与规律，并在此基础上对未来的电力负荷进行预测。对此，一般需要建立两个模型：一个是描述电力负荷变化的过程模型；另一个是负荷预测模型。前者7是后者的基础。过程模型的难点在于如何来描述整个电力负荷的过程、干扰以及和负荷之问的相互关系。而负荷预测模型则是如何利用好已选择的历史负荷数据，来建立未来负荷与历史负荷及干扰量之间的关系!在建立模型的过程中，还需要进行模型辨识和参数估计。模型辨识就是要决定模型的阶数：参数估计是指确定模型中各参数项的系数。由于电力负荷的变化没有规律可循，模型的选择可能是不同类型的，其合理性只有靠预测误差来校验

39、，并反馈到模型、进行必要的校正或改善。1 5 本文研究的主要内容及章节安排本文主要介绍了基于支持向量机及基于F s c o r e 与支持向量机相结合的方法在电力短期负荷预测中的应用，全文共分六章来阐述。第1 章为引言，阐述了进行短期负荷预测的背景、意义及分类，介绍了短期电力负荷预测的现状及负荷预测的特点，重点介绍了电力负荷预测的要求和步骤。第2 章总结了短期负荷预测的传统方法和现代方法，并分析了各种模型、方法的优劣。第3 章首先简要介绍了机器学习的主要问题和经验风险最小化原则，然后讲述了统计学习理论中学习过程的一致性，边界的理论和结构风险最小化原理等内容，奠定了支持向量回归算法理论基础，继而

40、分别从线性回归和非线性回归两个方面推导了支持向量回归算法，最后介绍了几种常用的核函数。第4 章在对E a s t S l o v a k i aP o w e rD i s t r i b u t i o nC o m p a n y 提供的电网运行历史数据分析的基础上，归纳出影响负荷的各种因素，将所选影响因素作为样本输入量，构建支持向量机的训练集之后，对1 9 9 9 年1 月每日日最大负荷进行预测，预测结果表明该算法的有效性。与此同时，选用人工神经网络方法与支持向量机算法进行对比，通过误差计算进一步表明，基于支持向量机的电力系统短期负荷预测具有更高的预测精度，其原因在于B P 网络因采用梯

41、度下降法优化权值，这一优化过程只能保证收敛到其中的一个点，因而无法保证得到全局最优解。而支持向量机算法是通过解决一个线性约束的二次规划问题来实现的，从而保证其解是唯一且全局最优的。第5 章提出了一种将F s c o r e 特征选择与支持向量机相结合的预测方法，该方法采用F s c o r e 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 S C O r e 的特征选择能力，又利用了S V M 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。第6 章全文总结，归纳了作者完成的主要工作并提出了有待进一步研究的问题。9第2 章短期负荷预测的模型和方法长期以来，

42、人们对电力系统负荷预测，特别是短期负荷预测进行了大量的研究，提出了许多有效的方法。近些年，随着科学技术的迅速发展，预测理论技术也取得了长足的进展，新的预测方法，尤其是属于人工智能与模式识别领域的新方法不断出现，为电力负荷预测问题的研究提供了有力工具【l 厶”】。负荷预测可以分为传统预测方法和现代预测方法两个阶段。传统的预测方法的基础是传统数学工具而现代预测方法是随着人工智能的发展而兴起的，它结合了人工智能领域里的相关研究成果。2 1 传统短期负荷预测方法2 1 1 指数平滑法指数平滑法是最简单、最常用的预测方法之一，属于确定型的时间序列预测技术。指数平滑法是从最简单的移动算术平均法演变来的【1

43、 5 1。设有一组时间上有序的观测数据五，屯，移动算术平均法以 个连续观测的平均值作为对下一时刻的预测值Z+。，即：互，i I，互。(2-1)由(2 1)可得：Z+1 一C=二薯一二一。(2 2)用E 代替上式中的一。，并令口=三，则得到一次指数平滑预报的迭代公式：互+l=+(1 一日)互(2 3)上式也可以写成：E+l=a x,+a 0-a)x,一l+a(1-a)2 一2+(2 4)和移动算术平均法相比，指数平滑法的优点在于：(1)迭代计算，在时刻t 预测t+l 时刻的C+。时，只需要和E，无需存储大量数据。(2)由(2 4)可知，指数平滑法的基本思想是加权平均，对越近期的数据l O加权越大

44、，这反映了近期数据对下一时刻负荷影响更大这一实际情况。(3)能通过平滑作用自动清除序列中的随机波动，尤其是不符合统计特征的偶然性波动。指数平滑a 的选择是凭经验的，且当时间序列具有不断增大(或减小)的趋势时，用一次指数平滑法的预测结果往往明显滞后，误差越大。改进的方法是使用高次指数平滑法。但是，由于电力负荷具有明显的随机性变动，不属于确定型时间序列，单独使用指数平滑法不可能取得好的预测效果。2 1 2 灰色预测法在灰色理论研究中，将各种系统分为白、黑和灰色系统。“白”指信息完全已知，“黑指信息完全未知，“灰”特指信息不完全，其基本模型为灰色模型(G M)，采用了系统关联度分析法，按原始数据的发

45、展趋势进行分析，弱化原序列的随机性，因此具有建模所需信息少、建模精度高等特点。它是通过对原始数据进行整理寻找规律，即数的生成，而非基于大样本量的概率统计规律，这对于发现非平稳随机过程的数据规律有利【1 每1 引。一般意义的灰色模型为G M(n，h)，表示对h 个变量建立n 阶微分方程。预测模型一般为G M(n，1)，实际应用最多的是G M(1，1)。以上标“(o)”表示原始序列，上标“(1)”表示累加生成序列，G M(1，1)的预测步骤为：(1)对原始序列作累加生成：秽=l 叭，j=l，2，棚(2-5)显然l 一耀：=l。(2)建立相应的微分方程：望+戤(1)：b(2-6)国用差商替代得方程：

46、一詈 础+别+6=捌(2 7)(3)定义矩阵：，：l=I 毫们，毫们，毫Ib=C,卵B=_ o 5 F+纠-o 5 础+纠则残差为e=一B b，如果残差平方和e r e 最小，作最小二乘估计：I；I=(B 7 B)。1B7(2-8)(4)得到拟合的预测方程：罩1=(掣-b a)e 4 卜n+b a，i 1(2 9)(5)累减还原：写o=跫，f 2，写o=i 1=习(2 1 0)于是可以得到对原始序列的拟合值哥(f=1，2，刀)以及对未来的预测值酽(f 1+以1。灰色预测法要求历史负荷数据少，运算方便且易于检验，但与其他方法相比也具有一定的局限性：数据灰度越大，则预测精度越差，并且其微分方程指数

47、解比较适合于具有指数增长趋势的负荷指标，对于具有其他趋势的指标则有时拟合灰度较大，精度难以提高。2 1 3 时间序列法时间序列法是将负荷序列y(t)看成是随机序列口(，)通过线性滤波器的输出(图2 1)，针对线性滤波器的特性，可以将滤波器模型分成6 类：自回归过程(A R)、动平均过程(M A)、自回归动平均过程(A R M A)、自回归综合动平均过程(R I M A)、周期过程(S e a s o n a lp r o e e s s)、传递函数模型(T F)。实际的短期负荷预测过程使用最多的是A R M A 模型，这里只对A R M A 模型进行介绍。图2 1 负荷时间序列模型A 吣模型认

48、为现在的负荷值少()可以由过去负荷值的有些项的加权和及现在和过去的干扰量的有些项加权和的叠加来表示，A R M A 模型可以描述为以下数学公式：1 2y(t)=识J，(，一1)+欢y(f 一2)+砟y(f p)+a(f)，、一o,a(t 一1)一岛口(，-2)一一岛口(，一g)其中，y(，)为t 时刻的负荷值：口(，)为t 时刻的干扰量：P，g，谚，岛为待定系数。在用于短期负荷预测之前首先应当确定合适的A R M A 模型，A R M A 模型的确定分为两步：模型辨识和参数估计。模型辨识的目的是确定P，口的值，其基本途径是对原时间序列的相关分析，也就是计算序列的均值、自相关函数和偏相关函数。模

49、型辨识后，就要利用原序列有关的样本数据，对模型进行参数估计，即估计p 个自回归参数磊，欢，砟和q 个动平均参数q，岛，岛的值。参数估计一般分两步进行。第一步，进行参数的初步评估；第二步，在初步估计的基础上，按照一定的估计准则，求得模型参数在某种意义下的精确估计。初步估计一般用矩估计法，精确估计一般用最小二乘估计。2 1 4 回归模型法回归预测属于相关法预测，它通过建立某些解释变量与负荷之间的因果关系获得负荷预测。回归预测更适合于中长期预测中的电量预测，将能量指标与国民经济的各种指标联系起来进行预测。在负荷预测中，用到的解释变量一般是各类天气信息，将基荷看作常数回归项。回归分析分为线性回归和多元

50、线性回归【1 9 之0 1。回归分析中较为常用的非线性函数包括：二次曲线、指数曲线、幂函数曲线、修正指数曲线、双曲线、S 曲线、多项式和对数曲线等。用于负荷预测的主要是多元线性回归M L R(M u l t i p l eL i n e a rR e g r e s s i o n)，M L R 方法的预测模型是：y(f)=C l o+1 1 I X l()+毛(f)+a(f)(2-1 2)其中，y(t)是电力负荷预测值；I x(，)，矗(t)是影响电力负荷的各种解释变量，包括天气因素和非天气因素；口(，)是零均值的随机变量；a 0)o _ I，a n 是回归系数。M L R 方法中各解释变量