基于SVM并考慮溫度累積效應的電力短期負荷預測方法.pdf

1、電力短期負荷預測對電能優(yōu)化調(diào)度和電力市場規(guī)劃有十分重要的意義,尤其是在電力企業(yè)由計劃經(jīng)濟的壟斷經(jīng)營模式轉(zhuǎn)變?yōu)槭袌鼋?jīng)濟的競爭經(jīng)營模式,且當前電力供應緊張的情況下,準確的電力負荷預測顯得至關重要。相似日選取算法原理簡單,合理選擇預測相似日是提高短期負荷預測精度的有效途徑。近年來,支持向量機(Support Vector Machine, SVM)算法得到了快速發(fā)展,它是一種新型機器學習算法,由統(tǒng)計學習理論發(fā)展而來。支持向量機建立在結(jié)構(gòu)風險最

2、小化準則之上,能取得最小的實際風險,適合于小樣本學習,且具有較好的泛化性能,在短期負荷預測研究中得到了廣泛應用。
　　本文在充分分析短期負荷基本特性的基礎上,闡述了溫度累積效應的表現(xiàn)形式,通過修正日最高溫度來反映夏天的溫度累積效應,并基于修正溫度選取相似日后采用支持向量機回歸模型來預測未來一天的負荷。論文工作主要有以下幾點:
　　1)從時間、氣象和日類型等方面詳細分析了湖北某地區(qū)的負荷特性。對三種常用預測方法(時間序列分析法

3、、神經(jīng)網(wǎng)絡方法和支持向量機方法)的優(yōu)缺點和建模性能進行了總結(jié),從而得出支持向量機方法更適合用于開展短期負荷預測的研究。
　　2)針對支持向量機在出現(xiàn)溫度累積效應情況下預測精度不高的問題,提出一種考慮溫度累積效應的相似日選取算法(TSD算法),詳細介紹了該算法的原理。對溫度修正公式中的參數(shù),利用遺傳算法對其優(yōu)化選取,并應用溫度修正公式對夏季(6月～8月)日最高溫度做了修正。
　　3)根據(jù)本文的相似日選取算法,計算歷史日與預測日