基于复Gaussian小波SVM的短期负荷预测.pdfVIP

第32卷第 2期 四 川1电力 技 术 Vo1．32。No．2 2009年4月 SichuanElectricPowerTechnology Apr．，2009 基于复 Gaussian小波 SVM的短期负荷预测 郑永康 ，郝文斌 ，刘俊丽 ，李梓玮 (1．成都市电业局，四川成都 610000；2．德阳市电业局，四川 德阳 610000) 摘 要：提出了复Gaussian小波SVM模型，并将其应用于对电力系统短期负荷的预测。证 明了复Gaussian小波核满 足SVM平移不变核条件，建立了相应的SVM，并且使用搜寻者优化算法对相关参数进行优化选择。在短期负荷预测 的仿真实验 中，通过与常用的径向基核SVM模型的对比，验证了该方法具有较好的精确度和有效性，有一定的实用价 值 。 关键词：短期负荷预测；复Gaussian小波；支持向量机 (SVM)；搜寻者优化算法(SOA) Abstract：Anewmodelofshort—termloadforecasting(STLF)basedoncomplexGaussianwaveletsuppo~vectormachine (CGW —SVM)ispresented．ItisprovedthatthecomplexGaussianwaveletisanadmissibletranslation—invariantkernel functionofsuppo~vectormachine(SVM)．CGW—SVMisconstructedanditsparametersareoptimizedusingseekeroptimi- zationalgorithm (SOA)．ThecomparisonresultsforSTLFshowthattheproposedmethodhasbetterperformnacethantheCOIl— ventionalradialbasisfunctionSVM (RBF—SVM)ineffectivenessandaccuracyandispromisinginSTLFproblem． Keywords：shoa—termloadforecasting；complexGaussianwavelet；suppo~vectormachine(SVM)；seekeroptimizational— gorithm (SOA) 中图分类号：TM715 文献标识码：A 文章编号：1003—6954(2009)02—0058—04 短期负荷预测 (short—term loadforecasting， basisfunctionSVM，RBF—SVM)进行 STLF。对 于 STLF)是电力系统的一项基本工作，直接影响着系统 SVM模型参数的选择，文献[5、7、8]采用了经验取值 开停机的宏观调控。负荷预测的精度关系到整个电 的方法，文献[6]对多个参数分别给出了相应的近似 力系统运行的经济效益，是一个值得深入研究的课 算法。这些优化方法都难以得到普遍适用的满意结 题。由于负荷受到各种社会 、自然因素影响，模糊、非 果。 线性、强扰动是其最大特点，难于精确建模。许多传 为了利用小波在提取非线性非平稳信号高频细 统的方法，包括：时间序列法、回归法、卡尔曼滤波法、 微特征方面的优势，故选用复 Gaussian小波作为 自回归法等都被用于STLF 。J，并取得了一定的效 SVM的核函数，构建了相应的复 Gaussian小波 SVM 果。但这些方法基本上是线性的，难以获得短期负荷 (complexGaussianwaveletSVM，CGW —SVM)。针对 时间序列中的非线性特征。人工神经网络 (artificial SVM的参数选择，文中使用了搜寻者优化算法 (seek． neuralnetworks，ANN)也被大量用于 STLF 。A