基于支持向量机自适应的短期负荷预测.doc

约54页DOC格式手机打开展开

基于支持向量机自适应的短期负荷预测,(特征选择部分)2.7万字 54页包括程序代码 摘要电力系统短期负荷预测在机组配额、功率调度和负荷管理中具有重要作用。采用支持向量机方法对电力系统进行短期负荷预测具有非线性拟合、泛化能力强、训练收敛速度快等显著特点,但输入变量不当的处理中需要耗费很长的时间,预测误差大。本文将用离散二进...
编号:68-37655大小:889.50K
分类: 论文>通信/电子论文

内容介绍

此文档由会员 guai521 发布

基于支持向量机自适应的短期负荷预测
(特征选择部分)
2.7万字 54页
包括程序代码


摘 要

电力系统短期负荷预测在机组配额、功率调度和负荷管理中具有重要作用。采用支持向量机方法对电力系统进行短期负荷预测具有非线性拟合、泛化能力强、训练收敛速度快等显著特点,但输入变量不当的处理中需要耗费很长的时间,预测误差大。本文将用离散二进制粒子群算法对支持向量负荷预测法进行优化。用二进制1,0代表对输入数据的选择和不选择,使目标函数值达到最小,实现对输入变量的优化选择。使预测结果的速度更快,精度更高。

关键词:电力系统;短期负荷预测;支持向量机;粒子群算法


ABSTRACT


Short-term load forecasting plays an important role in units quota, power scheduling and load management. Using a method which is called SVM (Support vector machine) on short-term load forecasting for a power system have distinct features of non-linear fitting, generalization ability, fast convergence and training , however, it would cost a long time to handle the improper input variables,which have big errors in forecasting. This article will optimize the forecasting method SVM and make a choice or not make it for input data represented binary 1 and 0 with the algorithm of discrete binary particle swarm algorith and minimize the objective function value to achieve the optimal choice of input variables and make the results faster and precision higher.

KEY WOYDS: power system; Shor-term load forecasting; support vector machine; particle swarm optimization,

目 录

摘 要 I
ABSTRACT II
目 录 III
第1章 引 言 1
1.1 电力负荷预测概述 1
1.1.1负荷预测的背景及意义 1
1.1.2负荷预测的分类及特点 1
1.1.3短期负荷预测的原理及特点 2
1.2 负荷特性分析 3
1.2.1负荷的周期性 3
1.2.2负荷的预测随机性 4
1.2.3负荷的影响因素分析 4
1.3 本文的主要工作 5
第2章 短期负荷预测的模型和方法 7
2.1传统短期负荷预测方法 7
2.2.1指数平滑法 7
2.1.2 灰色预测法 8
2.1.3 时间序列法 9
2.1.4 回归模型法 10
2.1.5 传统预测方法的特点 11
2.2现代短期负荷预测方法 11
2.2.1小波分析预测法 11
2.2.2支持向量机预测法 12
2.2.3 人工神经网络预测法 13
2.2.4 专家系统预测法 13
2.2.5 模糊理论预测法 15
2.2.6 现代预测方法的特点 16
第3章支持向量机原理与算法 18
3.1机器学习 18
3.1.1统计学习理论 19
3.1.2经验风险最小化原则 19
3.1.3 VC维 20
3.1.4 结构风险最小化原则 21
3.2支持向量机概述 22
3.2.1用于回归估计的SVM 22
3.2.2非线性SVM和核函数 23
3.3 SVM中的优化算法 24
3.3.1分块算法和分解算法 25
3.3.2 SVMLight算法 26
3.3.3 SMO(SequentiaI Minimal Optimization)算法 27
3.3.4其它一些优化算法 27
第4章 粒子群算法 29
4.1常见的改进行粒子群算法 29
4.1.1基本粒子群算法 29
4.1.2基本粒子群算法的社会行为分析 32
4.1.3粒子群算法与遗传算法的比较 33
4.2粒子群算法原理 34
4.2.1带惯性权重的粒子群算法(标准粒子群算法)及其改进 34
4.2.2遗传思想改进粒子群算法 35
4.3二进制编码的PSO算法 36
第5章 结束语 42
致 谢 44
参考文献 45
附 录 47


参考文献
[6] 肖慰. 基于支持向量机的短期电力负荷预测方法研究[J]. 武汉理工大学, 2008, 10-20.
[7] Vapnik V, Chappelle O. Choosing multiple parameters for suppor vector machine [J].Machine leanring,2002, 12(9): 1013-1036.
[8] 耿艳, 韩学山, 韩力. 基于最小二乘支持向量机的短期负荷预测. 文献期刊, 2008
[9] 金卓睿. 浅谈如何搞好电力市场中的负荷预测[J]. 四川电力技术,2000, 23(6): 1-5.
[10] 刘佳, 李丹. 基于自适应粒子群支持向量机的短期电力负荷预测[M]. 东北大学学报, 2007.
[11] VN. Vapnik.TheNature of Statistical Leanring Theory[M]. Springer,New York,1995.



附 录
clear all;
clc;
format long;
c1=1.4962; %学习因子c1
c2=1.4962; %学习因子c2
r1= rand(1); %随机函数r1
r2= rand(1); %随机函数r2
w=0.7298; %惯性权重w
iter=20; %最大迭代次数
D=49; %搜索空间维数(未知数个数)
N=30; %初始化群体个体数目
Vmax =1; %粒子群速度的最大值
Vmin = -1; %粒子群速度的最小值
for i = 1:N
for j = 1:D
v(i,j) = (Vmax-Vmin)*rand(1) + Vmin; %随机初始化速度
if rand(1)<0.5
x(i,j)=0;
......