（电力系统及其自动化专业论文）基于最小二乘支持向量机的短期电力负荷预测方法研究.pdf

数据分别进行纵向、横向修正。结合某地方电网的实际负荷数据和气 象数据，分析了短期负荷预测的影响因素，特别是气象条件以及气象 条件的累积效应对短期负荷预测的影响。通过采用不同气象条件的“累 积阈值函数弦进行数值折算，从而可以根据气象数值的变化对这种累 积效应进行定量描述。 在综合考虑相关影响因素的基础上，利用上述参数选择方法所确 定的最d - - 乘支持向量机模型进行实例预测，验证了本文所建预测模 型的有效性。 关键词：短期负荷预测最小二乘支持向量机气象条件相似日 蚁群算法 r e s e a r c ho ns h o r t t e r me l e c t r i cl o a d f o r e c a s t i n gb a s e do nl e a s ts q u a r e ss u p p o r t v e c t o rm a c h i n e a b s t r a c t l o a df o r e c a s t i n gi so n eo ft h ek e yt a s k sf o rs c h e d u l i n ga n dp l a n n i n g d e p a r t m e n t so fp o w e rs y s t e ma n dt h ea c c u r a t el o a df o r e c a s t i n gi s v e r y i m p o r t a n tt og u a r a n t e et h ep o w e rs y s t e ms e c u r i t y ，s t a b i l i t ya n de c o n o m i c o p e r a t i o n ，a sw e l la si n c r e a s et h ee l e c t r i c i t ys e c t o ru n d e r t h ee c o n o m i ca n d s o c i a lb e n e f i t si nt h ee l e c t r i c i t ym a n e te n v i r o n m e n t i nt h i sp a p e r , t h e r e l e v a n tb a s i st h e o r i e so fl o a df o r e c a s t i n ga r ei n t r o d u c e da n de x i s t i n g s 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 d sa r es u m m e du p s o m ei m p o r t a n t c o n c e p t sa n dt h em a i ni d e ao fs t a t i s t i c a ll e a r n i n gt h e o r y ( s l t ) a n dan e w g e n e r i cl e a r n i n ga l g o r i t h m s u p p o r t v e c t o rm a c h i n e ( s v m ) i nt h e t h e o r e t i c a lf r a m e w o r ko fs t a t i s t i c a ll e a r n i n gt h e o r ya r ei n t r o d u c e d ，a n da s h o r t t e r ml o a df o r e c a s t i n gm o d e li se s t a b l i s h e db a s e do nl e a s ts q u a r e s s u p p o r tv e c t o rm a c h i n e ( l s - s v m ) ，w h i c hi s a l le x p a n s i o no ft h es t a n d a r d s v m l s s v m sm o d e lp a r a m e t e r sh a v ea ni m p o r t a n ti m p a c to nl e a r n i n g a b i l i t y ，w h i c hi s n o ty e td e t e r m i n e db ya nu n i f i e da n de f f e c t i v ec h o i c e m e t h o d i nt h i sp a p e r ，ac h o i c em e t h o do fm o d e lp a r a m e t e r sb a s e do n s i m i l a rd a y sa n da n tc o l o n ya l g o r i t h mi sp r o p o s e d ，t h a ti s ，a c c o r d i n gt ot h e 1 1 1 f e a t u r e so fd i f f e r e n te f f e c tf o rl o a dw i t hd i f f e r e n te f f e c tf a c t o r s ，s o m e s i m i l a rd a y sa r es e p a r a t e di n t ot r a i n i n gs a m p l e sa n dt e s ts a m p l e sw i t ha n i m p r o v e dg r e yr e l a t i o n a ld e g r e e ，a n dt h e nan e wg l o b a ls e a r c ha l g o r i t h m - a n tc o l o n ya l g o r i t h mi si m p l e m e n t e dt oo p t i m i z ep a r a m e t e r s t h ep r a c t i c a l e x a m p l es h o w st h a ti t s m o r er e a s o n a b l ea n de n h a n c e st h eg e n e r a l i z a t i o n a b i l i t yo ft h em o d e lu s i n gt h em e t h o d t oc h o o s ep a r a m e t e r s a ni d e n t i f i c a t i o nm e t h o do fa b n o r m a ld a t a sb a s e do ns t a t i s t i c a l p r o b a b i l i t yi si n t r o d u c e d ，a n dv e r t i c a la n dh o r i z o n t a la m e n d m e n t sa r ea l s o g i v e nf o rt h ea b n o r m a ld a t a s a na n a l y s i si sg i v e no nt h ee f f e c tf a c t o r so f s h o r t t e r ml o a df o r e c a s t i n g ，a n di np a r t i c u l a rw e a t h e rc o n d i t i o n sa n dt h e a c c u m u l a t e de f f e c t so fw e a t h e rc o n d i t i o n sw i t ht h ea c t u a ll o a dd a t a sa n d w e a t h e rd a t a so fal o c a lp o w e rn e t w o r k b yu s i n g “a c c u m u l a t e dt h r e s h o l d f u n c t i o n ”o fd i f f e r e n tw e a t h e rc o n d i t i o n st oq u a n t i f yt h ee f f e c t ，t h e a c c u m u l a t e de f f e c t so fw e a t h e rc o n d i t i o n sc a nb e d e s c r i b e dw i t ht h e c h a n g e so f n u m e r i c a lv a l u e o nt h eb a s i so fr e l a t e de f f e c tf a c t o r s ，ap r a c t i c a le x a m p l ei sg i v e n u s i n gt h el s - s v m sm o d e lw h i c hi s c o n s t r u c t e db yt h ef o r m e rc h o i c e m e t h o do fm o d e lp a r a m e t e r s ，a n dt h er e s u l t ss h o wt h ee f f e c t i v e n e s so ft h e m o d e li nt h i sp a p e r k e yw o r d s ：s h o r t - t e r ml o a df o r e c a s t i n g ；l e a s ts q u a r e ss u p p o r tv e c t o r m a c h i n e ；w e a t h e rc o n d i t i o n s ；s i m i l a rd a y s ；a n tc o l o n ya l g o r i t h m i v 广西大学学位论文原创性声明和使用授权说明 原创性声明 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得的成果和相 关知识产权属广西大学所有，本人保证不以其它单位为第一署名单位发表或使用本论文 的研究内容。除已注明部分外，论文中不包含其他人已经发表过的研究成果，也不包含 本人为获得其它学位而使用过的内容。对本文的研究工作提供过重要帮助的个人和集 体，均已在论文中明确说明并致谢。 论文作者签名：杨步砥 如曙年石月矽日 学位论文使用授权说明 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 按照学校要求提交学位论文的印刷本和电子版本： 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择 发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 论文作者签名：翱乡戎 导师签名：力秀 游多月a 岁日 广西大学硕士掌位论文 墓于最小二秉支静向量机的籀i 期电力负荷预测方法研究 第1 章引言 1 1电力负荷预测的意义和分类 电力负荷预测【心】是指通过对历史数据的研究分析，从负荷自身的变化情况以及经 济、气象等因素的影响规律出发，依据相关因素的发展趋势，运用可靠的方法和手段对 未来电力负荷值作出科学、合理地推断。随着电力市场的不断发展，电力负荷预测工作 已成为电力系统调度、规划等部门的重要工作之一。合理、准确地进行电力负荷预测可 以更好地制定电网未来的发展规划方案、安排电网运行方式和发电机组的检修计划，对 于保持电力系统的安全稳定运行、提高电力企业的经济效益和社会效益、保障人们生产 和生活活动的正常有序进行具有重要的意义。 目前，电力负荷预测的分类并没有严格的标准，一般按照预测时间的长短可分为长 期、中期、短期和超短期四种，其预测的内容与意义分别如下： 1 长期负荷预测 指未来1 年至数年的负荷预测，该预测主要是为电力系统规划部门制定电网改造和 扩建等规划方案时提供重要的参考依据。 2 中期负荷预测 指未来几周到几个月的负荷预测，主要用于确定机组的运行方式、燃料计划、水库 调度计划、设备的检修安排等。 3 短期负荷预测 指未来几小时、l 天至几天的负荷预测，主要用于安排日调度计划和周调度计划， 包括经济调度、水火电协调、机组优化组合和交换功率计划等。近年来，随着电力市场 化的不断发展，短期负荷预测已成为能量管理系统( e m s ) 的一个重要组成部分，对于 电力系统的安全稳定和经济运行具有重要的意义。 4 超短期负荷预测 指未来几分钟到几小时内的负荷预测，主要用于在线控制，如实时安全分析、预防 控制和紧急状态处理等。 广西大掌硕士学位论文吞于最卜= 秉支持向量机的短期电力负荷预测方法研究 1 2 负荷预测的基本原理 负荷预测是根据已知事物之间的相关原理来探索未来发展趋势的一种活动，因此我 们必须了解它的一些基本原理【3 】才可以更好的进行负荷预测工作。 1 可知性原理 任何一种预测，之所以可以进行预测的前提条件就是预测对象的未来发展趋势是可 以为人们所掌握的即客观世界是可以被认识的。 2 可能性原理 每一种事物的发展变化都是受内外因共同作用的，而影响因素的不同往往会导致不 同的结果，因此我们在进行负荷预测时要针对具体的情况变化确定相应的预测方法。 3 连续性原理 事物的发展过程总是从过去到现在然后到未来，可以认为在这个过程中事物的某些 特征会延续到未来的发展变化中，据此，我们才可以利用已知的某些变化规律对未来的 发展状况进行预测。 4 相似性原理 在很多情况下，不同时期事物的发展过程和变化趋势往往存在着一定的相似性，那 么我们就可以采用一些方法、手段来确定这种相似性，从而可以根据前一阶段的变化来 推测下一阶段的变化。负荷预测中的很多方法都是建立在这种相似性原理基础之上。 5 反馈性原理 当预测的结果和实际值存在着较大的偏差时，我们可以利用反馈性原理( 将输出返 回到输入端，进而调整输出) ，根据产生误差的原因，通过改变输入的数据来调节预测 的结果，从而可以实现减少误差，提高预测准确率的目的。 6 。系统性原理 该原理认为预测对象自身是一个完整的系统，而它与外界事物的联系也形成了一个 外在的系统，其自身的内在系统和外在系统又构成了一个完整的总系统。根据系统性原 理可知，当我们进行负荷预测时不仅要考虑负荷自身的发展变化规律，还要考虑外在的 影响因素，这样才能取得最佳的预测结果。 1 3 负荷预测的特点 由于负荷预测的研究对象是一种不肯定事件、随机事件，这就使得负荷预测具有以 2 广西大学硕士学位论文| 0 于最小二秉支持向量机的短期电力童l 荷预测方法研究 下明显特点【3 1 ： 1 不准确性 负荷预测的结果是受到多种复杂因素影响的，有的因素人们可以在建立模型时定量 或者定性地进行描述，但却不能准确描述，而有的因素是随机的或随时间的发展不断发 生变化的，这就决定了负荷预测的结果是不准确的或者是不完全准确的。 2 条件性 进行负荷预测时我们往往要根据某地区实际的负荷特性，综合各种情况，而负荷未 来的发展状况是不肯定的，因此要对一些条件进行假设。赋予预测结果一定的前提条件， 更有力于用电部门使用预测结果。 3 时间性 每种负荷预测都有一定的时间范围，因为负荷预测是一种科学的预测，所以要求有 比较具体的数量概念，往往需要具体地指明预测的时间。 4 区域性 不同的预测地区，电网状况、负荷特性、负荷构成比重有所不同，因此要根据各地 区本地的实际情况来考虑影响负荷的因素。一般来说，电网的等级规模越大，其负荷基 准值也就越大，统计规律性也就越强一些，预测效果相对来说比较好。 5 多方案性 建立负荷预测模型要根据相应的条件，而条件的不同往往会采用不同的预测模型， 因此就会得到多种条件下不同的负荷预测方案。 1 4 短期负荷预测的研究方法 电力系统负荷预测理论经过了几十年的发展，国内外专家、学者在此方面作了大量 的研究工作，随着计算机和各种学科理论的不断成熟和完善，人们探讨和研究了许多科 学的预测方法，极大的丰富了负荷预测的研究内容，这些方法综合起来可以概括为以数 理统计学为基础的传统预测方法和以人工智能为基础的现代预测方法两大类。 1 4 1 传统预测方法 1 回归分析预测方法 回归分析预测方法是一种很经典的传统预测方法，它根据负荷过去的历史资料，建 立可以反映自变量和因变量之间某种关系的数学模型，然后采用估计参数的方法来估计 3 基于最小二秉支持向t l - 机的短期电力负荷预测方法研究 模型的参数，利用已知的回归模型对未来的负荷进行预测。回归分析预测方法因为建模 简单，运算速度快等特点得到了一定的实际应用，但该方法在反映负荷预测的输入与输 出间的非线性关系时并不理想，一般用于中长期负荷预测。 2 时间序列预测方法 在早期的各种负荷预测方法中，时间序列法 4 - 5 】被认为是一种发展比较成熟的算法， 至今仍被广泛地应用。电力负荷的历史资料可以看作为按照一定时间顺序排列的有序集 合，即时间序列，而该方法认为时间序列是由某个随机过程产生的，因此时间序列预测 技术就是根据负荷的历史数据，设法建立一个数学模型来描述电力负荷这个随机变化过 程的统计规律性，在数学模型的基础上建立负荷预测的数学表达式，从而可以对未来的 负荷进行预测。其基本模型主要有四种：自回归( a r ) 、动平均( m a ) 、自回归动平均 ( a r m a ) 、累积式自回归动平均( a r i m a ) 。 1 ) 自回归( a r ) 自回归模型描述的过程是一个目标值可以由它本身的过去值进行线性加权所得到 的值以及一个干扰量来表示，p 阶自回归模型可表示为 辨= 凡儿l + 如z m + + 丑p 只叩+ 色 ( 1 - 1 ) 其中， ，如，九为模型参数，蠡为干扰量，即一个平均值为零、具有一定方差的白噪 立 嗣o 2 ) 动平均( m a ) 在自回归模型的基础上，若假设干扰的影响在时间序列中只是存在于有限的几个连 续时间间隔内，然后就会完全消失，那么就得n t 动平均模型，其g 阶动平均模型可表 示为 只= 色一1 9 1 4 一l 一吼4 2 。q 4 1 ( 1 - 2 ) 其中，q ，吼，吃为模型参数，t 为干扰量。 3 ) 自回归动平均( a r m a ) 在时间序列中，若将上述两个模型结合起来反映现在的值和它过去的值以及干扰量 之间的关系就得到了自回归动平均模型，其( p ，g ) 阶模型可表示为 只= 九靠l + 疋只2 + + 只一，+ 4 一1 9 l 色_ l 一吼e 一2 。巳f 多t - - - q ( 1 3 ) 4 基于：曩小二乘支持向量和“峥短期电力负荷预测方法研究 4 ) 累积式自回归动平均( a r 聊a ) 对于一个非平稳的时间序列，一般可以通过差分变换从该非平稳的时间序列中抽出 一个平稳的随机因素，然后对该平稳序列采用a r m a 模型来表示，这就是累积式自回 归动平均模型的基本原理。该模型的关键是如何确定差分算子的阶数，需要一定的模型 识别、参数估计等理论基础，一般实现起来较为困难。 虽然时间序列法研究的比较成熟，但只适合于负荷变化和天气变化相对平稳的情 况，对于天气变化显著以及节假日的负荷预测精度比较差，而且参数估计比较复杂，需 要一定的统计学理论基础。 传统负荷预测方法还有诸如指数平滑法、灰色预测技术等。可以说这些方法奠定了 负荷预测技术发展的基础，但由于理论和方法的限制，使这些方法的发展受到了很大的 制约，尽管近些年来有很多学者作了一些改进，但还是难以得到满意的预测效果。 1 4 。2 现代预测方法 随着科学技术的不断进步，特别是人工智能的产生，促进了现代负荷预测方法的发 展。人工智能诞生于1 9 5 6 年，近5 0 多年来，人工智能获得了很大发展，已成为一门广 泛的交叉和前沿科学。目前，人工智能在数据挖掘、机器学习、神经网络、自然语言处 理、智能机器人等方面取得了相当大的进展和成果，对其它学科的发展产生了巨大的影 响。随着人工智能理论和其它学科理论的发展和完善，很多学者也将一些新思想引入到 了负荷预测领域，由此产生了很多现代预测方法，如专家系统、模糊理论、小波分析技 术、混沌理论、人工神经网络等。这些新预测方法的产生，对负荷预测的研究方向产生 了极大的影响，从此对负荷预损5 的研究进入了一个崭新的时期。 1 专家系统 专家系统f 卵】是一个具有大量专门知识和经验的程序系统，通过模拟人类专家决策 的过程来解决一些复杂的问题。它以传统的推理技术为基础，根据特定领域内专家的知 识和经验，通过启发式知识的推理作出相应地判断，并在此过程中可以模拟入类思维中 的模糊性，是一种高级的推理技术。虽然基于专家系统的负荷预测有了一些应用研究， 但是我们也应该注意到，影响负荷预测的因素众多，而且很多影响因素是难以定量描述 的，因此在应用专家系统时对知识规则的提取和知识库的建立存在着一定难度，这也是 该方法的局限所在。 5 基于最小二乘支持向量机的短期电力负荷预测方法研究 2 模糊理论 模糊理论【舡1 0 1 建立在模糊数学理论的基础之上，它的核心内容是用语言条件句描述 的一组模糊规则，语言规则用“i ，t 1 1 e n 弦的方式来表达在实际问题中专家的知识和 经验。其中，i f 部分是由输入变量构成的条件部分；也e n 部分是由输出变量构成的结论 部分。模糊系统中的一组模糊规则可代表一个输入、输出的映射关系，通过利用这些有 限的规则不仅可以近似地表示任意的函数关系，而且还可以根据一定的规则从输入数据 中提取某种相似特征。因此，模糊理论在进行负荷预测时常与其它方法如专家系统、神 经网络等结合起来，利用其自身在处理包含大量不确定因素问题时的良好特性来提高其 它方法的预测能力。 3 小波分析技术 小波理论【1 1 也1 是在傅立叶分析基础上发展起来的一种信号处理方法，它在时域和频 域上都表现出明显的局部分析优势，对各种奇异信号具有较高的敏感性，可以根据小波 变换的模极大值点来描述一个信号的奇异性，在分析奇异信号、分辨奇异的大小等方面 均很有效；另外，由于小波分析在信号的分解和重构、特征提取、信号和噪声分离技术 等方面也表现出了许多优异特点，使其在电力系统中得到了广泛的应用，如谐波分析、 故障定位、短期负荷预测等领域。目前，小波技术在负荷预测中的应用主要表现在对异 常负荷数据的处理上或者将原始负荷数据进行分解，然后结合其它方法进行预测，如文 献【1 3 】就是利用小波的奇异性检测理论对负荷数据进行纠错和平滑处理，文献 1 4 1 提出 将小波分解和人工神经网络结合起来进行短期负荷预测，该方法首先利用小波变换把负 荷序列分解为数个不同频段的子序列，然后再分别采用相应的人工神经网络模型对这些 子序列进行预测，最后将各负荷序列的预测结果进行综合，从而得到最终的预测值。 4 混沌理论 一般认为，混沌【1 ”7 】是指确定系统中出现的一种貌似无规则的：类似随机的现象， 它是非线性动力学系统所特有的一种运动形式，在自然晃中广泛存在。自从相空间重构 理论提出之后，混沌理论开始用于非线性时间序列分析中。随着相空间重构理论和方法 的不断发展和完善，许多学者开始致力于基于混沌理论的非线性时间序列预测模型的研 究，并在包括电力系统短期负荷预测在内的很多领域内进行了广泛的应用，而且取得了 比较满意的预测效果【1 8 - 1 9 1 。 5 人工神经网络 人工神经网络( a r t i f i e i f ln e u r a ln 昨嘲r k 鲇蝌) 的并行处理、分布式存储、自学习、 6 广西大掣硕士掌位论文 基于最卜= 秉支持向量栅r 的短期电力负荷预测方法研究 自适应、较强的非线性映射能力等优点很好地解决了预测中难以准确建立预测模型的问 题，因此在各种预测领域掀起了一股研究热潮。它实际上是由大量简单计算单元即神经 元构成的非线性系统，在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检 索功能，因而具有学习、记忆和计算等智能处理功能。目前，神经网络的理论和应用研 究得到了极大的发展，而且已经渗透到模式识别、复杂控制、最优化计算、信号处理等 几乎所有的工程领域，用a n n 进行电力系统负荷预测是其在电力系统中应用最为成功 的领域之一，a n n 预测负荷的良好性能已得到普遍的认可。 自从19 91 年d c p a r k 等人【2 0 】成功地应用该方法进行了负荷预测之后，近年来，该方 法的应用研究发展很快，国内外利用人工神经网络进行负荷预测的研究中已有许多成功 的实例。文献【2 1 】建立了一种自适应神经网络模型，该模型按照不同的负荷特性和影响 因素将负荷分解成三种趋势负荷：周、日、小时趋势负荷。针对每种负荷分别采用基于 b p i ) i i 练算法的多层前馈神经网络单独建立预测模型，最后应用递归最小二乘法( r l s ) 将各模块所得结果综合处理，从而得到最终的预测结果。经实际的运用证明该模型具有 较高的预测精度和较强的鲁棒性等优点。文献 2 2 】提出了一种可以快速选择神经网络权 值和偏置值的r i a 算法，该方法具有很广泛的通用性，通过对回归和分类问题试验分析 证明该算法具有很短的训练时间。文献【2 3 】通过减少相似日的输入数据，减小了神经网 络的结构和训练时间。文1 t 扶 2 4 在人工神经网络原理的基础上设计了一个具有三层结构 的b p 网络模型，并在算法中引入了附加冲量项以提高训练速度。所得预测结果表昵使用 人工神经网络方法进行短期负荷预测是可行的。 智能控制技术的相互结合，是目前智能控制技术主要的发展趋势。基于模糊方法和 神经网络在解决不同问题时具有一定的互补性，近来出现了一种可以自动处理模糊信息 的模糊神经网络，成为了当前一个重要的研究方向。文献【2 5 】构建了混合模糊神经网络 模型用于负荷预报，并提出了一种模糊神经元的权值更新算法( 一步搜索寻优算法) ， 进一步减少了预测的误差。文献 2 6 】先用模糊方法根据不同的天气类型对负荷数据进行 分类，然后用a n n 进行训练和预测未来1 2 0 个小时的负荷情况并取得了显著效果。 虽然神经网络模型进行预测时具有诸多的优势，基于神经网络的负荷预测方法也层 出不穷，但至今仍未有一种规范的标准可以对各种方法在实际应用中的效果进行有效地 评估阿，而且它的网络结构的确定、易陷入局部极小、过拟和现象等问题至今仍未得到 有效地解决，仍需要不断地进行完善。 7 基于最小二秉支绔向量机的短期电力负荷预测方法研究 1 5 支持向量机在电力负荷预测中的研究现状 近些年来，一种专门研究有限样本情况下机器学习的理论统计学习理论【2 8 - 2 9 得到了广泛的关注，成为了当前机器学习领域的一个研究热点。该理论针对有限样本统 计问题建立了一套新的理论体系，在这种体系下的统计推理规则不仅考虑了对推广能力 的要求，而且追求在现有有限信息的条件下得到最优结果。支持向量机 3 0 - 3 2 就是在这一 理论之上f h v a p n i k 等人提出的一种新的通用学习方法。它建立在严格的统计学习理论基 础之上，采用结构风险最小化准则取得实际风险，同以往的学习算法相比较好地解决了 小样本、非线性、高维数等难题。 支持向量机最初用来解决模式识别问题，用其分类算法能实现较好的泛化功能。随 着v a p n i k 的s 不敏感损失函数的引入，支持向量机已扩展为用于解决非线性回归估计问 题，许多学者也将支持向量机用在了负荷预测领域，经过近几年快速发展，已经取得了 一些重要的研究成果。在2 0 0 1 年，e u n i t en e t w o r k 组织的预测未来3 1 天每日最大负荷 的负荷预测竞赛中，获胜者就是采用了支持向量机模型【3 3 】。文献 3 4 】在国内首次将支持 向量机方法及改进的序列极小化学习算法引入到电力系统短期负荷预测领域，并通过实 际算例分析表明支持向量机方法在预测精度和运算时间等方面都优于前向神经网络。文 献【3 5 】提出了一种两阶段的复合模型。第一阶段，用自组织特征映射( s o m ) 神经网络 以无监督方式把数据分成n 个子集；第二阶段，用2 4 个支持向量机的组合以有监督方式 来拟合每个子集的数据。该模型对不同的数据类型有较强的鲁棒性，可以很好的处理负 荷序列的不稳定性。文献【3 6 】利用f o u r i e r 算法将历史负荷曲线分解为平滑曲线和随机波 动曲线两部分，只采用其中的平滑部分作为支持向量机的训练数据。对实际电网进行预 测，取得了理想的结果。 在标准支持向量机的基础上，许多学者在输入数据选择和训练算法上作了大量的改 进，针对不同的问题研究了一些不同类型的支持向量机，如最小二乘支持向量机、线性 规划支持向量机、贝叶斯支持向量机等，可以说使用这些新的支持向量机在解决相应领 域内的问题时是对标准支持向量机的有益补充。 最近几年，最小二乘支持向量机因其良好的性能受到了较多的关注。它将标准支持 向量机中的求解二次规划问题转化成求解一组线性关系式，降低了问题的复杂性，使得 计算速度相对加快。作为支持向量机方法的一个分支，最小二乘支持向量机继承了标准 支持向量机许多优良特性，目前在文字识别、图象处理、工业控制等领域已经有了一些 8 基于最卜= 乘支持向量机的短期电力负荷预测方法研究 应用研究 3 7 - 3 8 ，但在电力负荷预测中的研究还比较少。文献【3 9 】和【4 0 】分别采用某种分 解技术将负荷分解成具有不同特征的序列，然后根据各自的特征分别构建最小二乘支持 向量机预测模型，最后通过重构方法得到最终的预测值。仿真试验表明，最小二乘支持 向量机进行负荷预测时具有较快的计算速度，和其它方法适当结合可以获得较高的精度 和较强的推广能力。 1 6 短期电力负荷预测的新内容 随着各种预测方法、气象预报技术的不断发展，短期负荷预测中也增加了一些新的 内容踢。这些新内容的引入，不仅完善了各种预测技术，而且提高了负荷预测的精度， 可以更好地满足电力系统运行的需求。同传统的短期负荷预测内容相比，具有更加现实 的研究意义。 1 6 1 考虑分时段气象因素的负荷预测 气象因素是影响负荷预测的主要因素，如何更加合理地利用气象信息建立负荷预测 模型一直是研究的重点问题，也是提高预测准确率的关键所在。目前，由于气象预报技 术和传输技术的限制，所研究的大多数预测方法都只能考虑日特征气象因素，如日最高 温度、日最低温度、日降雨量等，虽然这些方法在一定程度上提高了负荷预测的准确率， 但是仅仅考虑日特征气象因素显然不能充分体现各气象因素在不同时段对电力负荷的 i ， 不同作用效果，也就无法对这种作用效果进行更加细化地分析。文献【4 1 】通过研究也表 明了基于小时的气象因素和日特征气象因素对负荷的影响特征有很大不同，尤其是在天 气发生突然变化时这种不同的影响效果更加显著。 随着气象部门预测技术和计算机网络技术的不断发展，天气预报的时间和空间精细 度都有了很大提高，对天气变化过程的定量描述能力显著增强，在有的地方已经可以实 现为电力部门或其他行业提供分时段( 如按小时) 的历史和预报气象值。例如，在2 0 0 5 年北京市气象部门可以在每日的不同时间内定期地将基于小时的气象预报数据和分时 段观测气象数据传送给北京市电力公司，该项技术地成功实施为利用分时段气象数据来 分析短期负荷预测奠定了技术基础【4 2 1 。因各种条件因素的制约，目前关于此方面的研究 还比较少，随着问题的提出和各种技术的不断发展，相信今后在这些方面会进行更多深 入地研究。 9 基于：曩小二秉支持向量机的短期电力负荷预测方法研究 1 6 2 扩展短期负荷预测 在电力市场环境下，电力部门往往需要提前一天或几天完成某日的负荷预测以便可 以提前制定该日的发电计划，根据具体情况还要对当日的计划进行适当的调整，尽可能 地减少预测负荷和实际负荷发生的偏差。由于目前的短期负荷预测和超短期负荷预测都 无法满足该要求，有的学者提出了扩展短期负荷预测f 2 4 3 卅的概念，可以很好地解决这 个问题。根据相关文献的定义，扩展短期负荷预测是指利用已有的和最新获得的各种负 荷数据、气象数据、电价等相关信息，对当日当前时刻以后若干时刻的负荷作出预测， 并根据最新的预测结果在允许的时间裕度内对当日剩余时间内的发电计划作出及时地 调整，从预测周期上来分析，扩展短期负荷预测可以被认为是介于超短期、短期负荷预 测之间的一种预测。 扩展短期负荷预i 哽9 是对短期负荷预测的一种延伸和扩展，它的提出更加丰富了负荷 预测的研究内容，可以更好地利用最新最近的信息，采用更加合理的预测方案，最大限 度地提高负荷预测的准确率。 1 7 本文的主要研究内容和章节安排 支持向量机是一种解决有限样本学习问题的全新方法，本文在已有的负荷预测方法 和相关理论的基础之上，利用支持向量机的扩展、变形算法一最小二乘支持向量机建 立了负荷预测模型，主要对短期负荷预测方法、短期负荷预测的影响因素特别是气象条 件以及气象条件累积效应的影响、统计学习理论、支持向量机及最小二乘支持向量机的 相关理论、最小二乘支持向量机模型参数的选择等内容进行了研究。全文具体章节安排 如下： 第1 章为引言，阐述了电力负荷预测的重要意义、分类、原理和特点，归纳、总结 了近些年来各种模型和预测方法的研究现状，介绍了支持向量机的基本思想及其在电力 系统负荷预测方面研究的进展情况。 第2 章阐述了统计学习理论所研究的内容，如v c 维、结构风险最小化准则等，介 绍了支持向量机以及最小二乘支持向量机的基本原理，对目前求解支持向量机的各种算 法进行了分析，详细推导了支持向量机和最小二乘支持向量机用于回归预测的公式，并 对最小二乘支持向量机的特点进行了分析，为后续章节地介绍提供了理论基础。 第3 章介绍了支持向量机模型选择的相关内容。针对最小二乘支持向量机的模型参 i o 基于最小二秉支持向 机的短期电力负荷预测方法研究 数选择问题，根据短期电力负荷预测的特点提出了一种联合相似日和蚁群算法的模型参 数选择方法，并给出了具体实现过程，包括采用加权的灰色关联度方法选择相似日、改 进的蚁群算法优化选择模型参数等内容。 第4 章首先介绍了负荷预测模型的误差评价以及对异常负荷数据的预处理方法，然 后利用某地方电网的实际负荷数据和气象数据，分析了短期负荷预测的影响因素，特别 是气象条件以及气象条件的累积效应对短期负荷预测的影响。对于不同气象条件的累积 效应，通过采用相应的“累积阈值函数刀进行数值折算，在一定程度上更能充分体现各 气象特征值的累积效应。最后建立了一种考虑气象条件的基于最小二乘支持向量机的短 期负荷预测模型，并进行了实例预测和对比分析。 第5 章结论。 广西大掌硕士掌位论文基于最小二秉支持向量机的短期电力负荷预涮方法研究 第2 章支持向量机 学习是人类获取各方面知识的基本手段，也是人类具有智能特征的主要标志。作为 人工智能中一个重要的研究领域，机器学习就是研究如何使计算机可以模拟人类学习活 动的一种方法。它从已知的观测数据出发，通过某种方法从这些数据中寻找内在的依赖 关系，从而对未知的数据进行预测或判断。现有的机器学习方法一般都建立在统计学基 础之上。传统的统计学研究的是当样本数目趋于无穷大时所得到的渐进理论，而我们在 解决各种实际问题时所遇到的样本数目往往是有限的，这就导致了一些需要根据已有样 本数据进行学习的算法在实际应用时却得不到预期的效果，因此在小样本条件下寻求一 种更加有效的统计学习方法具有更加现实的研究意义。 作为机器学习领域内一项非常重要的研究成果，统计学习理论( s t a t i s t i c a ll e a r n i n g t h e o r y ，s l t ) 的出现为有限样本学习闯题提供了一个很好的解决思路。它具有比较严格 的理论基础，现有的各种机器学习方法中存在的许多问题都有望通过该理论体系来帮助 解决。v v a p n i k 等人从上个世纪的六、七十年代开始进行此方面地研究，经过几十年地 不断发展和完善，到九十年代中期以后，统计学习理论的研究开始受到越来越广泛的重 视，特别是最近几年更是掀起了一股研究热潮。在统计学习理论的v c 维和结构风险最 小化等核心内容的基础上，发展了一种新的通用学习方法支持向量机( s u p p o r t v e c t o rm a c h i n e ，s ) ，该方法借助于最优化理论解决机器学习问题，可以很好地克服 传统学习方法中的维数灾难和过学习等问题，在模式识别、回归分析和预测等方面表现 出了许多独特的优势。目前，支持向量机在许多工程领域得到了广泛的研究，已成为在 小样本情况下解决实际问题的有效工具之一 本章首先简单介绍机器学习理论的一些基本问题，以及统计学习理论中的v c 维、 结构风险最小化等概念，然后在此基础上重点介绍支持向量机进行分类和回归的基本原 理、常用的训练算法，最后介绍支持向量机的一种扩展、变形算法一最, b - 乘支持向 量机的一些相关内容 2 9 - 3 1 4 5 卅。 2 1 机器学习问题 2 1 1 问题的表示 机器学习的问题可以一般地表示为变量y 与x 存在着某种未知的依赖关系，即遵循 1 2 基于最小二臻支持向量机的短期电力负荷预测方法研究 某一未知的联合概率r ( x ，y ) 。假设有，个独立同分布观测样本( j c l ，乃) ，( 屯，m ) ，( 而，乃) ， 则机器学习问题就是要在一组函数扩( ) c ，川) 中求一个最优的函数f ( x ，w o ) 对依赖关系进 行估计，使期望风险 r ( m 户i l o , ，厂g w ) 矽f o ，力 ( 2 1 ) 最小。其中，u o ，w ) ) 称作预测函数集，可以为任意函数集。w 为函数的广义参数， 三( y ，f ( x ，川) 为由于用f ( x ，w ) 对y 进行预测而造成的损失，不同类型的学习问题有不 同形式的损失函数。 2 1 2 经验风险最小化 在实际的问题当中，由于我们并不知道数据间未知的依赖关系，也就无法计算期望 风险足( w ) 。在传统的学习方法中常采用样本误差定义经验风险 ( w ) ：寻圭，厂( 毛，w ) ) ( 2 2 ) 从而可以利用经验风险( 忉作为期望风险天( 川的一种近似估计，通过设计某种学习 方法使( 叻最小化即经验风险最小化( e r m ) 。多年以来，各种机器学习算法都是基 于e r m 的思想来设计的，但是用e r m 思想来代替期望风险最小化并没有经过严格的 理论论证，它只是人们意识里比较直观的一种作法。 2 1 3 复杂性与推广能力 在应用e r m 准则时常常存在着这样一个矛盾，有时样本的训练误差可以8 t d , 甚至为 零，但并不是总能达到事先所期望的学习效果，甚至在某些情况下，训练误差过小反而 会导致推广能力的下降，这就是许多学习方法所共同存在的问题，即过学习问题，其中 最典型的代表就是人工神经网络。在人工神经网络中，如果训练样本有限且网络的学习 能力非常强，那么经验风险很快就可以收敛到很小甚至为零，但在此状态下的网络却不 能保证对新的样本同样取得很好的预测效果。从这一点上也可看出，在有限的学习样本 下，学习机器的复杂性与推广能力之间存在着一定的矛盾，而这种矛盾看上去似乎又是 不可调和的。因此，在小样本情况下寻找一种有效的学习和推广方法的理论成为了新的 研究课题，统计学习理论的出现为有效地解决此问题提供了坚实的理论基础和有效的学 1 3 广西大掣瞻炙士掌位论文基于最小：j 幢支持向量机的短期电力负荷预测方法研究 习方法。 2 2 统计学习理论 统计学习理论针对小样本统计问题建立了一套新的理论体系，它从理论上系统地研 究了在有限样本下经验风险与期望风险之间的关系以及如何利用这些理论找到新的学 习原则和方法，该理论不仅考虑了对渐近性能的要求，而且尽可能地利用有限的信息来 获得更好的结果。下面介绍一下统计学习理论中的些重要概念。 2 2 1v c 维 v c 维是由v a p n i k 和c h e r v o n e n k i s 提出并完善，它是统计学习理论中的一个非常重 要的概念，反映了函数集的学习能力，v c 维越大则表示学习机器越复杂。对于一个特 定的指示函数集来说，如果函数集中的函数能够将h 个样本按所有可能的2 种形式分 开，则称函数集能够把h 个样本打散，据此可以得到v c 维的定义：一个函数集的v c 维是h ，当且仅当存在h 个样本点 薯 竺，函数集能够将该样本集按所有可能的2 h 种形 式分开，但并不存在另一个集合 五 三d ( q ：蝴也满足这个性质。从直观意义上来讲，v c 维就是函数集所能打散的最大样本数目，若对任意数目的样本都有函数能将它们打散， 则称此时函数集的v c 维是无穷大。目前还没有相关理论可以计算任意的v c 维，只知 道一些特殊函数集的v c 维。 2 2 2 结构风险最小化 针对各种类型的函数集，统计学习理论系统地研究了经验风险和实际风险之间的关 系，即推广性的界。对于两类分类问题有如下结论：经验风险( 呐和实际风险r ( 叻之 间在指示函数集的所有函数( 包括使经验风险最小的函数) 中以至少卜”的概率满足如 下关系： r ( 叻j i c 绷，( w ) + 咖( 磊z ) ( 2 3 ) 其中h 为函数集的v c 维，为观测样本数，妒( 五z ) = h ( 1 n ( 2 l h ) + 1 ) - l n ( r 4 ) ，q 为满 足o _ ( r 1 的参数。 1 4 广西大掌硕士掌位论文基于最小二秉支持向量椰啪短期电力负荷预测方溜开究 从上式可以看出，学习机器的实际风险由训练样本的经验风险和置信范围两部分组 成，其中置信范围和学习机器的v c 维以及训练样本的数目有关，当学习机器的v c 维 固定时，样本容量越大其表现出来的泛化能力才越好，这就是在小样本情况下采用经