基于加权LS-SVM的短期负荷预测研究

【摘要】：短期负荷预测是一项极复杂的工作,由于它具有明显的随机性与不可预测性,致使预测的精度很难有明显的提高。而传统的预测方法又往往考虑得过于简单,使很多对短期负荷影响重大的因素没有起到应有的作用。近年来随着人工智能技术的发展,机器学习语言成为了负荷预测人员研究的焦点。学者们尝试将各种智能语言用于短期负荷预测,最小二乘支持向量机(LS-SVM)就是其中的一个亮点。随着对其研究的深入,LS-SVM越来越受到专家们的青睐。 本文是在对短期负荷预测工作全面了解的基础上,选择了最小二乘支持向量机的方法对其进行预测研究。考虑到现代短期负荷预测都会涉及各种外部影响因素,如天气等,本文针对模型的具体情况考虑了天气类型、最高最低温度等因素。由于各种因素的考虑,使模型的复杂程度增加,并且LS-SVM所建立的模型本身也有缺陷—鲁棒性损失,所以文中考虑用模型中误差的鲁棒估计值为其加一权系数,构建成一个加权最小二乘支持向量机(WLS-SVM)模型。另外,模型还选择了用贝叶斯证据理论进行参数优化并且用径向基函数(RBF)作为模型的核函数。 文中对采集来的大量实测负荷数据进行分析,发现了负荷中的一个特殊现象—“休息日延迟现象”,针对该现象文中为其建立了具有适应性的预测模型。考虑到负荷预测的“近大远小”原则,并且为了充分利用周一负荷,将异常的周一负荷进行修正。最后采用本文所研究的贝叶斯证据下WLS-SVM方法对实际负荷进行了预测。通过Matlab编程仿真可以看出,文中所采用的方法与所建立的模型具有良好的预测效果,能够满足短期负荷预测的精度要求。