DOC《毕业设计（论文）》

当其映射区域划分不够细时,映射输出比较粗糙【16-17】. (3)遗传算法.遗传算法是建立在自然选择和群体遗传学机理基础上的随机、迭代与进化的搜索方法,遗传算法具全局优化能力,一般将遗传算法用于ANN权值的优化,以克服BP算法存在收敛性能和陷入局部最小的不足,提高预测精度【18】. (4)支持向量机.由贝尔实验室的Vapnik等人于1995年提出的一种新型机器学习算法-支持向量机【2】.与目前绝大多数机器学习方法所基于的经验风险最小化(EMR)归纳原则不同,它建立在结构风险最小化原则(SRM)以及VC维理论基础之上,在模型的复杂性和学习能力之间达到了很好的平衡.因此,其泛化能力要远好于人工神经网络和模糊逻辑.SVM回归算法在进行电力负荷预测时收敛时间短、预测精度高、可调参数少且结构容易确定,不需要过多的先验信息和使用技巧,具有显著的优越性.因此,SVM在电力负荷预测领域中的应用研究越来越受到重视,应用空间和发展前景十分广阔,被认为是神经网络方法的最佳替代方法. 1.3支持向量机在短期负荷预测中的应用情况以及存在的问题 文献【2】中应用了粒子群优化和混沌优化分别对支持向量机模型参数进行选取,最后再将两种方法结合对短期电力负荷进行预测.文献【19】中将粒子群优化的支持向量机与模糊推理综合进行短期负荷预测.文献【20】中对短期负荷预测、支持向量回归和序列最小优化理论进行了深入研究,并分别用线性回归、支持向量回归、序列最小优化三种方法对短期负荷进行预测.文献【21】中在对支持向量机方法的参数性能进行分析的基础上,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题.文献【22】中对输入变量采用粗糙集理论进行了预处理,实现了输入变量的优化选择,减少了预测模型建立过程中对经验的依赖,提高了模型的适应性.采用遗传算法对最小二乘支持向量机的模型参数进行寻优.建立了结合粗糙集理论和遗传算法的最小二乘支持向量机短期负荷预测模型.文献【23】中通过聚类筛选合理的历史数据构成训练样本,再将预测的平滑性和误差损失函数相结合构成问题的目标函数,采用LIBSVM算法将SVM的大规模优化问题转化为具有解析解的二次优化问题.文献【24】中以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型. 经过查阅大量资料,从短期负荷预测的角度出发,总结了以下难点: (1)影响负荷预测因素的综合考虑 负荷预测是根据电力负荷的过去和现在推测它的未来数值,然而,负荷的历史数据由于测量、人为等因素而造成丢失或者错误的数据,不利于掌握负荷的变化趋势,增加了负荷分析的难度.因此在用历史数据进行训练和预测前,坏数据的辩识与修正是必须要做的工作. (2)负荷预测方法的选择 正确选择预测模型在负荷预测中是最为关键的一步.随着负荷预测技术研究的不断深入,各种各样的负荷预测方法不断涌现,它们都有各自的研究特点和使用条件,没有哪一种方法可以适用于一切情况.为了提高预测的准确度,就必须根据实际情况选择合适的预测方法. 针对本课题,有以下难点: 支持向量机中几个关键参数的选取直接影响预测模型的泛化性能和预测结果,但是目前国际上还没有形成一个统一的模式,尚缺乏结构化的通用方法来实现参数的最优选择.目前模型参数的选择多数时候只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交叉检验功能进行寻优.由于支持向量机模型的复杂性,采用一种精确的方法进行优化成为一种必然要求. 1.4 本文的主要工作 本文主要围绕支持向量机和粒子群优化算法在短期负荷预测中的应用问题展开了讨论.从负荷历史数据的预处理、负荷模型的建立到预测结果的比较分析等整个过程建立了一个完整的预测体系. 主要工作包括: (1)首先通过对电力负荷的特性进行分析,对负荷历史数据进行垂直和水平预处理,找出并处理缺失及错误的数据,使其更能体现电力负荷的运行趋势,从而为短期负荷预测模型利用这些历史数据奠定了基础. (2)建立了最小二乘支持向量机负荷预测模型,并针对支持向量机的传统参数选取方法主要依靠经验试算和效率较低的缺陷,引入了一种智能优化算法――粒子群优化算法,利用粒子群算法基于种群的并行搜索策略特点来迭代搜索最优的目标函数值,从而找........