短期负荷预测是电力系统安全经济运行的前提,随着电力系统的市场化,高质量的短期负荷预测越来越显得重要和迫切。支持向量机是一类新型的机器学习方法,具有求解速度快、泛化能力强等优点。本文针对支持向量机应用于电力系统短期负荷预测展开几个方面的研究工作。 支持向量机的参数选择对模型的性能影响很大,目前支持向量机的参数选择尚缺乏公认有效的结构化方法,参数选取依靠交叉验证得到。粒子群算法是一种计算快速、算法本身易于实现的群体智能算法。本文提出了粒子群算法与支持向量机相结合的混和算法,以测试集误差作为判决依据,实现了支持向量机参数的优化选择,并建立了相应的预测模型。 根据华中电网郑州地区的历史负荷数据和气象数据,本文分析影响预测的各种因素,总结了负荷变化的规律性,并利用统计学的方法,对历史负荷数据中的“异常数据”进行修正,对负荷预测中要考虑的相关因素进行了规范化处理,同时引入不同日之间特征量的“相似度”的概念,选取相似日训练样本。 基于具有相似特性的工作日,其负荷曲线非常接近这一特点,本文提出了利用支持向量机预测下一日负荷相对于选定相似日负荷的变化量,将该预测值与相似日负荷相加求得负荷基本项的预测模型。由于支持向量机对气象信息的敏感性差,而模糊逻辑能充分利用专家的经验知识处理不确定信息,本文通过建立模糊规则库处理气象信息与负荷变化之间难于精确表达的影响关系,预测受气象因素影响的负荷随机项,并对支持向量机预测得到的基本负荷进行修正,两者结合得到最终的负荷预测结果。 节假日负荷预测是负荷预测中的难题,本文提出了支持向量机方法与模糊推理相结合的节假日负荷预测方法。将节假日负荷预测分为最大最小负荷预测和归一化负荷曲线预测:基于专家经验建立模糊规则库,通过模糊推理来预测日负荷的最大最小值,用支持向量机模型来预测日归一化负荷曲线的形状,将两者结合得到最终的预测结果。