支持向量机模型改进及在短期边际电价预测中的应用

传统的最小二乘支持向量机模型对训练样本的各个输入点同等看待,各输入向量的贡献度是相同,未对离群点加以考虑.在最小二乘支持向量机模型中引入隶属度的相关理论并建立模糊隶属度函数,对离群点和正常点赋予不同的贡献度,建立了模糊最小二乘支持向量机模型.最后,以美国PJM电力市场的边际电价预测为例,验证了本文模型的预测精度比传统的最小二乘向量机模型高50％左右,且复杂程度基本不变.     

非平均权重条件下电力负荷组合预测模型研究

在对电力负荷进行预测过程中,单一的预测模型往往会出现拟合能力低和预测精度不高的缺陷,而且多个预测模型的简单组合也是一种相对粗略的预测方法。本文将非平均权重法运用于电力负荷组合预测模型中,以某省2000~2011年电力负荷为例,结果表明非平均权重的电力负荷组合预测模型的拟合方差比单项预测模型以及平均权重下的组合预测模型都小,而且预测精度更高。     

基于粗糙集改进的支持向量机模型及其在短期电力负荷预测中的应用

通过对传统的最小二乘支持向量机模型和粗糙集理论的研究,提出了一种基于粗糙集理论进行改进的最小二乘支持向量机预测技术,将粗糙集原理的属性约简与特征提取技术运用到输入指标的选取上,保留有用信息并剔除无用信息。最后,以美国PJM市场2012年1月至9月的日24点历史负荷为算例,对该时间段电力负荷进行模拟仿真。结果表明,经过粗糙集属性约简改进后的LS—SVM预测模型大大提高了其预测精度,拟合效果显著提高。