基于支持向量機(jī)自適應(yīng)的短期負(fù)荷預(yù)測(cè)
（特征選擇部分）
2.7萬字 54頁
包括程序代碼


摘 要

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)在機(jī)組配額、功率調(diào)度和負(fù)荷管理中具有重要作用。采用支持向量機(jī)方法對(duì)電力系統(tǒng)進(jìn)行短期負(fù)荷預(yù)測(cè)具有非線性擬合、泛化能力強(qiáng)、訓(xùn)練收斂速度快等顯著特點(diǎn)，但輸入變量不當(dāng)?shù)奶幚碇行枰馁M(fèi)很長(zhǎng)的時(shí)間，預(yù)測(cè)誤差大。本文將用離散二進(jìn)制粒子群算法對(duì)支持向量負(fù)荷預(yù)測(cè)法進(jìn)行優(yōu)化。用二進(jìn)制1，0代表對(duì)輸入數(shù)據(jù)的選擇和不選擇，使目標(biāo)函數(shù)值達(dá)到最小，實(shí)現(xiàn)對(duì)輸入變量的優(yōu)化選擇。使預(yù)測(cè)結(jié)果的速度更快，精度更高。

關(guān)鍵詞：電力系統(tǒng)；短期負(fù)荷預(yù)測(cè)；支持向量機(jī)；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 錄

摘 要 I
ABSTRACT II
目 錄 III
第1章 引 言 1
1.1 電力負(fù)荷預(yù)測(cè)概述 1
1.1.1負(fù)荷預(yù)測(cè)的背景及意義 1
1.1.2負(fù)荷預(yù)測(cè)的分類及特點(diǎn) 1
1.1.3短期負(fù)荷預(yù)測(cè)的原理及特點(diǎn) 2
1.2 負(fù)荷特性分析 3
1.2.1負(fù)荷的周期性 3
1.2.2負(fù)荷的預(yù)測(cè)隨機(jī)性 4
1.2.3負(fù)荷的影響因素分析 4
1.3 本文的主要工作 5
第2章 短期負(fù)荷預(yù)測(cè)的模型和方法 7
2.1傳統(tǒng)短期負(fù)荷預(yù)測(cè)方法 7
2.2.1指數(shù)平滑法 7
2.1.2 灰色預(yù)測(cè)法 8
2.1.3 時(shí)間序列法 9
2.1.4 回歸模型法 10
2.1.5 傳統(tǒng)預(yù)測(cè)方法的特點(diǎn) 11
2.2現(xiàn)代短期負(fù)荷預(yù)測(cè)方法 11
2.2.1小波分析預(yù)測(cè)法 11
2.2.2支持向量機(jī)預(yù)測(cè)法 12
2.2.3 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法 13
2.2.4 專家系統(tǒng)預(yù)測(cè)法 13
2.2.5 模糊理論預(yù)測(cè)法 15
2.2.6 現(xiàn)代預(yù)測(cè)方法的特點(diǎn) 16
第3章支持向量機(jī)原理與算法 18
3.1機(jī)器學(xué)習(xí) 18
3.1.1統(tǒng)計(jì)學(xué)習(xí)理論 19
3.1.2經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則 19
3.1.3 VC維 20
3.1.4 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則 21
3.2支持向量機(jī)概述 22
3.2.1用于回歸估計(jì)的SVM 22
3.2.2非線性SVM和核函數(shù) 23
3.3 SVM中的優(yōu)化算法 24
3.3.1分塊算法和分解算法 25
3.3.2 SVMLight算法 26
3.3.3 SMO(SequentiaI Minimal Optimization)算法 27
3.3.4其它一些優(yōu)化算法 27
第4章 粒子群算法 29
4.1常見的改進(jìn)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會(huì)行為分析 32
4.1.3粒子群算法與遺傳算法的比較 33
4.2粒子群算法原理 34
4.2.1帶慣性權(quán)重的粒子群算法（標(biāo)準(zhǔn)粒子群算法）及其改進(jìn) 34
4.2.2遺傳思想改進(jìn)粒子群算法 35
4.3二進(jìn)制編碼的PSO算法 36
第5章 結(jié)束語 42
致 謝 44
參考文獻(xiàn) 45
附 錄 47


參考文獻(xiàn)
[6] 肖慰. 基于支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)方法研究[J]. 武漢理工大學(xué), 2008, 10-20.
[7] Vapnik V, Chappelle O. Choosing multiple parameters for suppor vector machine [J].Machine leanring，2002, 12(9): 1013-1036.
[8] 耿艷, 韓學(xué)山, 韓力. 基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè). 文獻(xiàn)期刊, 2008
[9] 金卓睿. 淺談如何搞好電力市場(chǎng)中的負(fù)荷預(yù)測(cè)[J]. 四川電力技術(shù),2000, 23(6): 1-5.
[10] 劉佳, 李丹. 基于自適應(yīng)粒子群支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)[M]. 東北大學(xué)學(xué)報(bào), 2007.
[11] VN. Vapnik.TheNature of Statistical Leanring Theory[M]. Springer,New York，1995.



附 錄
clear all;
clc;
format long;
c1=1.4962; %學(xué)習(xí)因子c1
c2=1.4962; %學(xué)習(xí)因子c2
r1= rand(1); %隨機(jī)函數(shù)r1
r2= rand(1); %隨機(jī)函數(shù)r2
w=0.7298; %慣性權(quán)重w
iter=20; %最大迭代次數(shù)
D=49; %搜索空間維數(shù)（未知數(shù)個(gè)數(shù)）
N=30; %初始化群體個(gè)體數(shù)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; %隨機(jī)初始化速度
if rand(1)<0.5
x(i,j)=0;
......