基于支持向量機自適應(yīng)的短期負荷預測
（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)短期負荷預測在機組配額、功率調(diào)度和負荷管理中具有重要作用。采用支持向量機方法對電力系統(tǒng)進行短期負荷預測具有非線性擬合、泛化能力強、訓練收斂速度快等顯著特點，但輸入變量不當?shù)奶幚碇行枰馁M很長的時間，預測誤差大。本文將用離散二進制粒子群算法對支持向量負荷預測法進行優(yōu)化。用二進制1，0代表對輸入數(shù)據(jù)的選擇和不選擇，使目標函數(shù)值達到最小，實現(xiàn)對輸入變量的優(yōu)化選擇。使預測結(jié)果的速度更快，精度更高。

關(guān)鍵詞：電力系統(tǒng)；短期負荷預測；支持向量機；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 電力負荷預測概述 1
1.1.1負荷預測的背景及意義 1
1.1.2負荷預測的分類及特點 1
1.1.3短期負荷預測的原理及特點 2
1.2 負荷特性分析 3
1.2.1負荷的周期性 3
1.2.2負荷的預測隨機性 4
1.2.3負荷的影響因素分析 4
1.3 本文的主要工作 5
第2章 短期負荷預測的模型和方法 7
2.1傳統(tǒng)短期負荷預測方法 7
2.2.1指數(shù)平滑法 7
2.1.2 灰色預測法 8
2.1.3 時間序列法 9
2.1.4 回歸模型法 10
2.1.5 傳統(tǒng)預測方法的特點 11
2.2現(xiàn)代短期負荷預測方法 11
2.2.1小波分析預測法 11
2.2.2支持向量機預測法 12
2.2.3 人工神經(jīng)網(wǎng)絡(luò)預測法 13
2.2.4 專家系統(tǒng)預測法 13
2.2.5 模糊理論預測法 15
2.2.6 現(xiàn)代預測方法的特點 16
第3章支持向量機原理與算法 18
3.1機器學習 18
3.1.1統(tǒng)計學習理論 19
3.1.2經(jīng)驗風險最小化原則 19
3.1.3 VC維 20
3.1.4 結(jié)構(gòu)風險最小化原則 21
3.2支持向量機概述 22
3.2.1用于回歸估計的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（標準粒子群算法）及其改進 34
4.2.2遺傳思想改進粒子群算法 35
4.3二進制編碼的PSO算法 36
第5章 結(jié)束語 42
致 謝 44
參考文獻 45
附 錄 47


參考文獻
[6] 肖慰. 基于支持向量機的短期電力負荷預測方法研究[J]. 武漢理工大學, 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, 韓學山, 韓力. 基于最小二乘支持向量機的短期負荷預測. 文獻期刊, 2008
[9] 金卓睿. 淺談如何搞好電力市場中的負荷預測[J]. 四川電力技術(shù),2000, 23(6): 1-5.
[10] 劉佳, 李丹. 基于自適應(yīng)粒子群支持向量機的短期電力負荷預測[M]. 東北大學學報, 2007.
[11] VN. Vapnik.TheNature of Statistical Leanring Theory[M]. Springer,New York，1995.



附 錄
clear all;
clc;
format long;
c1=1.4962; %學習因子c1
c2=1.4962; %學習因子c2
r1= rand(1); %隨機函數(shù)r1
r2= rand(1); %隨機函數(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)個數(shù)）
N=30; %初始化群體個體數(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; %隨機初始化速度
if rand(1)<0.5
x(i,j)=0;
......