论文部分内容阅读
月度负荷预测是电力计划部门、用电营销部门的重要工作,其目的是为了合理的安排电力系统的中期运行计划和销售或用电计划。只有掌握负荷变化规律,选择合适的预测模型,才能真正提高预测的精度,降低运行成本,提高供电可靠性。
支持向量机(Support Vector Machine,简称SVM)是一种新兴的学习机器,有较为完备的理论基础和较好的学习性能,成功解决了神经网络难以克服的局部最优等问题,被称为神经网络的替代算法。因此,本论文将其引入到电力系统的月负荷预测中来。
文中详细介绍了作为SVM理论基础的统计学习理论和SVM分类模型和回归模型,对SVM模型中的参数对其性能影响进行了详细分析,并给出了参数选择的通用方法。文中针对月负荷周期性趋势较明显的时间序列提出了修正指数加权SVM模型。文中采用多尺度思想将负荷序列分解为光滑的长期趋势序列和以年为周期的含随机波动的季节性趋势序列,然后分别利用标准SVM和修正指数加权SVM方法进行训练,文中以2005年华北地区某县的月用电量为算例,对模型进行检验,算例验证该方法十分有效。
本论文在Visual Studio.NET 2003环境下开发了基于Web的电力系统负荷预测网站系统。该系统拥有中长期、中短期的十多种常用的预测方法,其中中短期预测使用了支持向量回归方法,而且参数由系统自动确定,减少了对用户经验的依赖。同时,该软件还具有界面友好、操作简单、预测精度较高等特点。