学位论文 > 优秀研究生学位论文题录展示

支持向量机回归在短期电力负荷预测中的应用研究

作　者: 程远虎
导　师: 伏玉琛
学　校: 苏州大学
专　业: 管理科学与工程
关键词: 电力系统负荷预测支持向量机回归广义自回归条件异方差模型
分类号: TM715;F224
类　型: 硕士论文
年　份: 2011年
下　载: 44次
引　用: 0次
阅　读: 论文下载

内容摘要

随着我国电力行业的蓬勃发展,电网管理技术的日趋进步,关于电力系统负荷预测问题的研究也引起了人们愈来愈多的关注。如何有效地进行电力负荷预测,已经成为现代电力系统研究中的重要课题之一。本文主要针对电力系统短期负荷预测进行研究与探讨。建立在统计学习理论基础上的支持向量机(SVM)不仅具有结构简单的优点,而且推广能力较传统模型有显著提高,因此能够很好的解决实际应用中小样本学习问题。目前关于SVM的理论研究和实际应用都处于快速发展阶段,成为机器学习领域的研究热点。本文所做的工作主要包括如下几个方面:(1)本文首先对电力负荷预测和SVM的研究现状进行综述,并简单介绍了目前具有代表性的电力负荷预测模型,接着对支持向量回归(SVR)相关理论进行详细的描述。(2)支持向量回归在实际应用中存在两大难点,即特征选择和参数的优化。本文针对这两大难点,设计了一种新的基于GA-IPSO的SVR预测模型,目的是获得更好的学习性能与预测精度。该模型的主要设计思路为:①特征选择:基于遗传算法的特征选择方法;②参数的优化:本文对基本PSO算法进行改进,并将该改进算法用于SVR的参数优化。(3)考虑到广义自回归条件异方差(GARCH)模型适应于波动性的分析和预测以及SVR模型具有良好的泛化能力的特性,本文提出一种SVR与GARCH模型相结合的新组合预测模型,旨在提高模型的预测精度。在此基础上,本文给出仿真实例。通过对仿真结果的分析,验证本文所构建模型的有效性。

全文目录

中文摘要  4-5
Abstract  5-8
第一章绪论  8-13
  1.1 研究背景及意义  8-9
  1.2 电力负荷预测现状  9-10
  1.3 支持向量机的提出及研究现状  10-11
  1.4 研究内容及论文组织结构  11-13
第二章电力负荷预测模型概述  13-20
  2.1 时间序列模型  13-14
  2.2 灰色预测模型  14-15
  2.3 人工神经网络模型  15-18
  2.4 电力负荷预测研究发展趋势  18
  2.5 本章小结  18-20
第三章支持向量机回归理论基础  20-33
  3.1 机器学习基本问题  20-22
    3.1.1 机器学习问题描述  21
    3.1.2 经验风险最小化介绍  21-22
  3.2 统计学习理论  22-24
    3.2.1 VC 维介绍  22
    3.2.2 推广性的界介绍  22-23
    3.2.3 结构风险最小化介绍  23-24
  3.3 支持向量机(SVM)  24-28
    3.3.1 广义最优分类面  24-26
    3.3.2 支持向量机步骤  26-27
    3.3.3 核函数相关介绍  27-28
  3.4 支持向量回归简介  28-32
    3.4.1 样本线性可分  28-30
    3.4.2 样本线性不可分  30-32
  3.5 本章小结  32-33
第四章基于GA-IPSO 的SVR 在短期负荷预测中的应用  33-55
  4.1 基于GA-IPSO 的SVR 预测模型设计思路  33-34
  4.2 遗传算法简介  34-37
    4.2.1 编码技术  34-35
    4.2.2 适应度函数  35-36
    4.2.3 遗传操作  36
    4.2.4 遗传算法的基本流程  36-37
  4.3 样本的选择及预处理  37-39
    4.3.1 优化特征选择  38-39
    4.3.2 样本数据的归一化处理  39
  4.4 参数的分析及选择  39-43
    4.4.1 参数的分析  40
    4.4.2 粒子群优化算法原理  40-41
    4.4.3 改进的PSO 算法  41-42
    4.4.4 基于改进PSO 算法的SVR 参数优化  42-43
  4.5 SVR 预测模型的构建  43-45
  4.6 预测仿真实例  45-54
    4.6.1 实验过程  45-49
    4.6.2 模型的性能评价标准  49-50
    4.6.3 实验结果对照  50-53
    4.6.4 结果分析  53-54
  4.7 本章小结  54-55
第五章 SVR-GARCH 组合模型在负荷预测中的应用  55-66
  5.1 GARCH 基本理论  55-58
    5.1.1 ARCH 模型  55-56
    5.1.2 ARCH 模型建立步骤  56
    5.1.3 GARCH 模型  56-58
  5.2 组合预测模型  58-61
    5.2.1 平稳化处理  59
    5.2.2 组合预测简介  59-60
    5.2.3 组合预测模型的建模  60
    5.2.4 组合预测模型流程图  60-61
  5.3 预测仿真实例  61-64
    5.3.1 单一模型预测  61-62
    5.3.2 组合模型预测  62-64
    5.3.3 结果分析  64
  5.4 本章小结  64-66
第六章总结与展望  66-68
  6.1 全文总结  66-67
  6.2 研究展望  67-68
参考文献  68-73
攻读学位期间公开发表的论文与参与的科研项目  73-74
致谢  74-75

支持向量机回归在短期电力负荷预测中的应用研究

内容摘要

全文目录

相似论文