基于贝叶斯理论和贝叶斯理论支持

第25卷 第13期 2005年7月 中 国 电 机 工 程 学 报

Proceedings of the CSEE Vol.25 No.13 Jul. 2005

©2005 Chin.Soc.for Elec.Eng.

文章编号:0258-8013 (2005) 13-0008-06 中图分类号:TM711 文献标识码:A 学科分类号:470 40

基于贝叶斯理论和在线学习支持

向量机的短期负荷预测

赵登福,庞文晨,张讲社,王锡凡

(西安交通大学,陕西省 西安市710049)

BASED ON BAYESIAN THEORY AND ONLINE LEARNING SVM

FOR SHORT TERM LOAD FORECASTING

ZHAO Deng-fu, PANG Wen-chen, ZHANG Jiang-she, WANG Xi-fan (Xi’an Jiaotong University, Xi’an 710049, Shaanxi Province, China)

ABSTRACT: The paper adopts Bayesian theory to input feature selection for short term load forecasting (STLF). It makes use of the information from both samples and prior knowledge. In this way, not only can the over-fitting problem be effectively solved but also the model of forecasting can be simplified. Simultaneously, an online learning support vector machine (SVM) method for short-term load forecasting model is presented here. The method comprises incremental algorithm and decrement algorithm, which efficiently updates a trained regression function whenever a sample is added to or removed from the training set. So it is favorable for applications like online learning or leave-one-out cross-validation. The practical examples show that online learning support vector machine with input feature selection based on Bayesian theory outperforms other methods in both forecasting accuracy and computing speed.

KEY WORDS: Power system; Short term load forecasting (STLF); Support vector machine; Bayesian theory; Feature selection; Online learning

摘要:该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息,包括样本信息和先验知识结合在一起加以利用,不但避免了过拟合问题,而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上,以递增和递减算法可直接得到新的回归函数而无需重新训练,从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。

基金项目:国家自然科学基金重点项目(59937150;60373106)。

Project Supported by National Natural Science Foundation of China (59937150 ; 60373106).

关键词:电力系统;短期负荷预测;支持向量机;贝叶斯理论;特征选取;在线学习

1 引言

短期负荷预测(STLF)是一项重要的决策支持技术,是电力系统调度和管理部门制订负荷分配以及开停机计划的主要依据。随着电力改革的深入和电力市场的逐步建立,电网的安全运行和经济运行,发电公司的竞价上网[1]及电力公司或供电公司的购电计划的制定等,都与STLF有着密切的关系。

传统的STLF法以时间序列法[2]、回归分析法[3]为主,其计算量小,速度较快,但模型过于简单,无法模拟电力负荷复杂的随机特性。随着人工智能技术的发展,具有学习能力的组合式神经网络[4]、灰色神经网络[5]、小波模糊神经网络[6]及混沌神经网络[7]在负荷预测领域得到了广泛应用,这类方法因能处理负荷和影响因素之间的非线性关系,所以有较高的预测精度。但不论是传统方法还是近代方法,其输入特征(对负荷的影响因素)都是根据专家经验选取的,由此造成了知识获取的瓶颈现象,且对不同时间类型的负荷及数值差异较大的负荷,加入不适当的影响因素,会增大预测结果的误差[8]。

针对上述问题,本文用贝叶斯理论[9]来实现STLF中输入特征的自适应选取。该方法不但可从历史数据中获取样本信息,而且可对所有先验知识加以充分利用,从而克服了现有方法知识获取的瓶颈现象,有效地解决了影响因素的自适应选取问题,提高了预测精度。同时,为了提高预测模型的计算

Word文档免费下载Word文档免费下载:基于贝叶斯理论和贝叶斯理论支持 (共6页,当前第1页)

你可能喜欢

  • 贝叶斯决策理论
  • 贝叶斯估计
  • 贝叶斯公式
  • 贝叶斯网络推理
  • 计量模型
  • 朴素贝叶斯分类算法
  • 时间序列应用
  • 时间序列预测模型

基于贝叶斯理论和贝叶斯理论支持相关文档

最新文档

返回顶部