论文部分内容阅读
短期负荷预测是电力系统安全经济运行的前提，随着分时电价方式的推广和电力市场化改革的深入，电力公司力求及时、准确地把握负荷变化的信息，对负荷预测的重要性和迫切性提到了前所未有的高度，同时也对负荷预测的精度提出了更高的要求，这必将推动我国对负荷预测新方法、新技术的研究。负荷预测方法大致可分为两大类。一类是以时间序列法为代表的传统方法：另一类是以人工神经网络法为代表的新型人工智能方法。
本文分析了支持向量机的基本原理，支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点。针对电力系统负荷与各种影响因素之间的非线性关系，本文建立了基于支持向量机的短期负荷预测模型，并与神经网络方法作了实例分析比较，结果表明基于支持向量机的负荷预测要优于神经网络方法。
由于影响负荷变化的因素繁多且复杂，影响因素之间往往也相互影响，存在着一定的相关性。它将会影响到参数估计，扩大模型误差，并破坏模型的稳定性。所以消除样本属性间的相关性有着重要的意义。PLS对样本进行特征提取，消除相关性的同时，也能对样本进行了属性约简，降低了维数，减少建模时间。本文引入一种偏最小二乘(PLS)和支持向量机(SVM)结合的偏最小二乘支持向量机(PLS-SVM)方法，用PLS进行特征提取，以提取的特征作为SVM输入建立预测回归模型。实验结果表明，该方法兼有PLS和SVM的优点，不仅提高了预测精度而且由于降低了输入维数也提高了预测速度。