迭代自组织数据分析算法在短期电力负荷预测的研究

• 作 者: 刘洪
• 出 处: 华南理工大学
• 发表日期: 2004年期
• 关键词: 支持向量机 短期负荷预测 数据预处理 迭代自组织聚类算法

电力系统短期负荷预测是电力系统安全和经济运行的重要依据。价格竞争机制引入电力系统形成电力市场后,对短期负荷预测的精度和速度提出了更高的要求。虽然负荷预测的研究己有几十年历史,有很多负荷预测的理论和方法。但是随着新理论和新技术的发展,对负荷预测新方法的研究仍在不断地深入进行。支持向量机作为数据挖掘的一项新技术,应用于模式识别和处理回归问题等诸多领域。本文利用支持向量机优越的非线性学习及预测性能,研究基于支持向量机的电力系统短期负荷预测方法。本文全面地总结了支持向量机在短期负荷预测中的应用概况,并从支持向量机的原理出发,对比人工神经网络方法,从本质上阐述了支持向量机方法在短期负荷预测中应用的优越性。与此同时,针对支持向量机在应用中存在一些问题,包括数据预处理、核函数构造及选取、参数优化的方法,做出分析,并归纳了现行的解决方法。特别地,对于一系列支持向量机的改进方法,本文从支持向量机算法用于负荷预测的机理及提高预测精度和速度的角度,全面地进行了归纳,并提出需进一步探讨的关键问题。并结合实例分析各种样本处理情况下基于支持向量机的短期负荷预测的结果。最后,对基于支持向量机的短期负荷预测所需要注意的关键问题做出总结,并提出建议。鉴于单一预测方法的一些弊端,探索综合预测已经成为学者们的共识。本文采用一种有效的负荷聚类分析处理技术,并将聚类算法与支持向量机相结合,首次提出了联合聚类算法和支持向量机的短期负荷预测新方法。该方法考虑到负荷变化的周期性特点,应用聚类分析的基本原理,依据输入样本的相似度选取训练样本,即选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。在基于支持向量机负荷预测的基础上,对样本进行聚类分析,选取与预测样本特征相似的样本作为训练样本,建造负荷预测的支持向量机模型。实例分析验证了本文所提方法能够有效地提高负荷预测的精度,缩短了预测时间。再次验证了聚类分析在负荷预测中的优势,也证实了运用算法对负荷预测数据进行分类的可行性,体现了负荷预测的相似性原则。