基于某灰色模型和最小二乘支持向量機(jī)地某電力短期負(fù)荷組合預(yù)測百度

1、適用文案第33卷第3期電網(wǎng)技術(shù)Vol.33No.32009年2月PowerSystemTechnologyFeb.2009文章編號：1000-3673（2009）03-0063-06中圖分類號：TM715文件標(biāo)記碼：A學(xué)科代碼：4704051鑒于灰色模型和最小二乘支持向量機(jī)的電力短期負(fù)荷組合展望唐杰明1，劉俊勇2，楊可3，劉友波2（1四川省電力企業(yè)南充電業(yè)局，四川省南充市637000；2四川大學(xué)電氣信息學(xué)院，四川省成都市610065；3四川省電力企業(yè)調(diào)動中心，四川省成都市610065）Short-TermLoadCombinationForecastingbyGreyModelandLeast

2、SquareSupportVectorMachineTANGJie-ming1，LIUJun-yong2，YANGKe3，LIUYou-bo2（1NanchongBranchofSichuanElectricPowerCompany，Nanchong637000，SichuanProvince，China；2SchoolofElectricalEngineeringandInformation，SichuanUniversity，Chengdu610065，SichuanProvince，China；3DispatchingCenterofSichuanElectricPowerCompany

3、，Chengdu610065，SichuanProvince，China）ABSTRACT:Ashort-termloadforecastingmethodinwhichtheleastsquaresupportvectorregression(LSSVRalgorithmisintelligently標(biāo)準(zhǔn)適用文案combinedwithgreymodel(GMisproposed.Consideringdailyperiodicityofpowerloadandbymeansofconditionalchoiceofhistoricalloaddata,varioushistoricallo

4、addatasuitesareconstructed,andforeachhistoricaldatasuiteaGM(1,1modelinwhichtheparametercanbemodifiedisconstructedtoconductloadforecasting.ByuseofLSSVR,thenonlinearcombinationoftheforecastedresultsbydifferentgreymodelsisperformedtoobtainfinalforecastingresult.Intheproposedforecastingmethodtheadvantag

5、esofgreymodelsuchaslessrawdatatoberequired,simpletomodelandconvenienttocalculatearefullyutilizedandthefeaturesofLSSVRsuchasstronggeneralizationability,goodnonlinearfittingabilityandlesssamplestoberequiredarecombined,thustheforecastingaccuracycanbeimproved.Simulationresultsshowthattheproposedcombinat

6、ionforecastingmethodiseffectiveandpracticable.KEYWORDS:powersystem；greymodel；leastsquaresupportvectormachine；non-linearcombination；short-termloadforecasting綱要：提出一種聯(lián)合灰色模型(greymodel，GM和最小二乘支持向量機(jī)回歸(leastsquaresupportvectorregression，LSSVR算法的電力短期負(fù)荷智能組合展望方法。在考慮負(fù)荷日周期性的基礎(chǔ)上，經(jīng)過對歷史負(fù)荷數(shù)據(jù)的不一樣棄取，建立出各樣不一樣的歷史負(fù)荷數(shù)據(jù)序列

7、，并對每個歷史數(shù)據(jù)序列分別成立能修正參數(shù)的GM(1,1灰色模型進(jìn)行負(fù)荷展望；采納最小二乘支持向量機(jī)回歸算法對不一樣灰色模型的展望結(jié)果進(jìn)行非線性組合，以獲取最后展望值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運(yùn)算方便等優(yōu)勢的基礎(chǔ)上，聯(lián)合最小二乘支持向量機(jī)所擁有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特征，提升了展望精度。仿真結(jié)果考證了所提出組合方法的有效性和適用性。標(biāo)準(zhǔn)適用文案重點(diǎn)詞：電力系統(tǒng)；灰色模型；最小二乘支持向量機(jī)；非線性組合；短期負(fù)荷展望前言短期負(fù)荷展望是電力系統(tǒng)安全、經(jīng)濟(jì)和靠譜運(yùn)行的基礎(chǔ)，機(jī)組調(diào)動、經(jīng)濟(jì)負(fù)荷分派等運(yùn)轉(zhuǎn)規(guī)劃均與正確、迅速的負(fù)荷展望親密有關(guān)。短期負(fù)荷展望方法主要有

8、：回歸剖析法、時間序列法、卡爾曼濾波、灰色模型、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等1-12。因?yàn)橛绊懾?fù)荷的要素?fù)碛袕?fù)雜性和不確立性，而任何一種單調(diào)模型都難以全面考慮負(fù)荷的變化趨向和影響要素，所以單調(diào)模型展望方法一般不行能在不一樣的狀況下都能獲取令人滿意的結(jié)果，也就是說在實(shí)質(zhì)展望中單調(diào)模型方法擁有較大的風(fēng)險(xiǎn)；而組合展望方法能夠綜合多種單調(diào)展望模型所包含的信息，最大程度地利用已知信息，改良多種單調(diào)方法的展望結(jié)果，降低展望風(fēng)險(xiǎn)13。所以，為了提升負(fù)荷展望的精度和靠譜性，有必需在短期負(fù)荷展望工作中研究和運(yùn)用組合展望方法。當(dāng)前組合展望方法主要有2類：傳統(tǒng)組合方唐杰明等：鑒于灰色模型和最小二乘支持向量機(jī)的電力短期負(fù)荷

9、組合展望Vol.33No.3法14-16和智能組合方法17-18。傳統(tǒng)組合方法的典型代表有：等權(quán)均勻組合展望法、最優(yōu)權(quán)系數(shù)法、回歸組合法等，此中等權(quán)均勻組合展望法能降低單調(diào)預(yù)測方法的展望風(fēng)險(xiǎn)，且對比于方差協(xié)方差精選組合法、回歸組合法、最優(yōu)權(quán)系數(shù)法等擁有較好的展望穩(wěn)固性，所以是一種較成熟、常用的組合展望方法13,19。傳統(tǒng)組合方法物理意義明確，但權(quán)值確實(shí)定較為復(fù)雜且困難，并且缺少將各樣基本方法進(jìn)行非線性組合的能力。智能組合方法是指運(yùn)用神經(jīng)網(wǎng)絡(luò)等智能算法，經(jīng)過樣本訓(xùn)練確立各樣基本模型的組合權(quán)重系數(shù)，從而對各樣基本展望結(jié)果進(jìn)行組合的方法，該方法不限制組合權(quán)系數(shù)的取值范圍，又能非線性地?cái)M合各樣基本方法

10、的展望標(biāo)準(zhǔn)適用文案結(jié)果，并且防止了傳統(tǒng)組合模型中確立權(quán)重系數(shù)的困難20-21，所以這類組合展望思路值得深入研究。本文提出一種鑒于灰色模型和最小二乘支持向量機(jī)回歸算法(leastsquaresupportvectorregression，LSSVR的組合展望方法。某電網(wǎng)負(fù)荷數(shù)據(jù)的仿真結(jié)果表示：該方法擁有精度高、計(jì)算速度快的特色，并能有效降低各基本模型的展望風(fēng)險(xiǎn)，改良短期負(fù)荷展望成效。1修正參數(shù)的GM(1,1灰色展望模型灰色系統(tǒng)理論將全部隨機(jī)變化量看作是在一定范圍內(nèi)變化的灰色量，將隨機(jī)過程看作是在必定范圍、一準(zhǔn)時區(qū)內(nèi)變化的灰色過程，灰色展望13,22是經(jīng)過對原始數(shù)據(jù)進(jìn)行累加生成或累減生成、級比生成

11、等，將凌亂無章的原始數(shù)據(jù)整理成規(guī)律性較強(qiáng)的生成數(shù)據(jù)序列，再用微分?jǐn)M合法成立微分方程來描繪生成數(shù)據(jù)序列的規(guī)律，最后經(jīng)過對生成序列的展望、復(fù)本來實(shí)現(xiàn)原始序列的展望。GM(1,1是最常用、最簡單的一種灰色模型，它擁有所需原始數(shù)據(jù)少、無需考慮原始數(shù)據(jù)散布規(guī)律、建模簡單、運(yùn)算方便、近期展望精度高等長處，下邊介紹其展望建模過程。設(shè)已知序列以下：(0(0(0(0(1,(2,(xxxxn=?(1對該序列進(jìn)行一次累加生成，獲取生成序列：(1標(biāo)準(zhǔn)適用文案(1(1(1(1,(2,(xxxxn=?(2式中(1(01(kixkxi=(1,2,kn=?。對序列(2成立式(3所示的1階單變量線性微分方程：(1(1d/dxt

12、axu+=(3式中：常量a稱為灰系數(shù)，常量u稱為灰作用量，分別反應(yīng)序列(0 x的增加速度和數(shù)據(jù)變化的關(guān)系。將微分項(xiàng)(1d/dxt失散化，有：(1(1(1(1(0(1(1(11xxkxkxkxkxktkk?+-=+-=+?+-并取微分方程(3中的背景值23為(1(1(1(1(1(1(1xxkxkzk=+-+=+(4此中11e1標(biāo)準(zhǔn)適用文案aa=-(5從而可獲取對應(yīng)的灰微分方程以下：(0(1(1(1xkazku+=，1,2,1kn=-(6式中：(1(1zk+稱為白化背景值；(0(1xk+稱為灰導(dǎo)數(shù)。關(guān)于上述模型，取定值后由式(4可獲取背景值序列(1(1zk+，再依據(jù)式(6可利用已知序列數(shù)據(jù)和最小二

13、乘法求出常數(shù)a和u的預(yù)計(jì)值?a和?u，而后將預(yù)計(jì)值?a和?u代入微分方程(3中，并求解可獲取失散解：?(1(0?(1(1e?akuuxkxaa-+=-+，0,1,2,k=(7最后將該解進(jìn)行累減復(fù)原即可獲取原數(shù)列的展望模型：?(0(0?(1(e1(1e?aakuxkxa-+=-，1,2,k=(8一般取0.5=按上述過程成立的模型稱為一般GM(1,1模型。當(dāng)按0.5=計(jì)算出的灰系數(shù)a較大時，模型的展望偏差較大，為改良GM(1,1模型的展望成效，標(biāo)準(zhǔn)適用文案可將現(xiàn)有a值代入式(5中，從頭求解值，并將值代入式(4中，獲取新背景值序列(1(1zk+，利用新背景值序列再次求解式(6，可得到新預(yù)計(jì)值?a和?

14、u，不停重復(fù)該過程，直到二次求解出的預(yù)計(jì)值?a和?u之差小于某一小的定值，則停止迭代，而后將最后的預(yù)計(jì)值?a和?u代入式(7中，對累加序列進(jìn)行展望，并累減復(fù)原就能獲取較高精度的展望值，這個不停重復(fù)迭代求解灰系數(shù)a并建立GM(1,1的過程就稱為修正參數(shù)的GM(1,1灰色建模方法，對比于一般灰色模型，它擁有更好的數(shù)據(jù)適應(yīng)性和展望成效。最小二乘支持向量機(jī)回歸算法最小二乘支持向量機(jī)是支持向量機(jī)的一種擴(kuò)展形式24，它在保存支持向量機(jī)結(jié)構(gòu)風(fēng)險(xiǎn)最小化、小樣本等優(yōu)異特征的前提下，將支持向量機(jī)優(yōu)化模第33卷第3期電網(wǎng)技術(shù)65型中的損失函數(shù)設(shè)定成最小二乘損失函數(shù)，并將不等式拘束轉(zhuǎn)變成等式拘束，這樣支持向量機(jī)求解過

15、程的二次尋優(yōu)問題便可轉(zhuǎn)變成線性KKT(Karush-Kuhn-Tucker方程組的求解，極大地降低了求解復(fù)雜性25-26，其回歸算法以下：設(shè)樣本訓(xùn)練集為(,|1,2,iiyil=x，其中niRx為輸入向量，iyR為輸出，用非線性映照(?將樣本輸入從原空間映照到高維特色空間，能夠結(jié)構(gòu)出以下最優(yōu)線性回歸函數(shù)：(fb=+xwx?(9標(biāo)準(zhǔn)適用文案式中：(x?是從輸入空間到高維特色空間的非線性映照；w為特色空間中的權(quán)系數(shù)向量；bR為常數(shù)。依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，求解上述回歸問題的最小二乘支持向量機(jī)模型如下：2,111min22libie=+weww(10s.t.(iiiybe=+wx?(1,2,il=式

16、中：0為處罰系數(shù)即模型均衡系數(shù)；ie為回歸函數(shù)值與實(shí)質(zhì)值的偏差。引入拉格朗日函數(shù)，將上述拘束優(yōu)化問題轉(zhuǎn)變成無拘束優(yōu)化問題，在對偶空間可獲取下式：22111(22lliiiiiiiLebey=+-+-wwx?(11式中i為拉格朗日乘子。由KKT優(yōu)化條件可獲取以低等式拘束條件：11(1,2,(0(1,2,liiiliiiiiiieilbeyil=?標(biāo)準(zhǔn)適用文案=?=?=?+-=?wxwx?(12對式(12消去w和ie可獲取以下線性方程組：(1(100/llb+?=?+?EyERI(13式中：1,1=E；T1,l=yyy；1,l=；I為ll階單位陣；R為ll階矩陣，且(ijiR=?x?(jx?。依據(jù)

17、Mercer條件，定義以下核函數(shù)：(,(ijijK=xxxx?則式(13變成111111011101(,(,11(,(,llllllbKKyyKK?+?標(biāo)準(zhǔn)適用文案?=?+?xxxxxxxx#(14求解式(14獲取和b，則相應(yīng)的LSSVR最優(yōu)線性回歸函數(shù)為1(,liiifKb=+xxx(15由上述過程可知，LSSVR只有一個待選參數(shù)，且只要求解線性方程組便可得到和b，所以LSSVR算法對比于支持向量機(jī)回歸算法(supportvectorregression，SVR擁有簡單、迅速、穩(wěn)固等長處。鑒于LSSVR的灰色組合展望方法純真使用上文中修正參數(shù)的灰色模型進(jìn)行短期負(fù)荷展望，在實(shí)質(zhì)應(yīng)用中經(jīng)常難以知

18、足展望精度要求，并且模型的展望穩(wěn)固性不好，展望風(fēng)險(xiǎn)較大；別的在用灰色模型進(jìn)行負(fù)荷展望的過程中，假如選用同一原始序列中不一樣時間段的歷史數(shù)據(jù)進(jìn)標(biāo)準(zhǔn)適用文案行建模，其求解出的灰系數(shù)和灰作用量是不一樣的，從而將獲取多個不一樣灰色模型對同一時刻的展望值，能夠?qū)@些灰色展望值進(jìn)行組合來進(jìn)一步提升負(fù)荷展望精度和展望穩(wěn)固性。傳統(tǒng)組合展望方法沒法有效地辦理組合建模過程中的非線性問題，當(dāng)各個基本展望值與真切觀察值之間存在非線性關(guān)系時將產(chǎn)生較大的偏差；鑒于神經(jīng)網(wǎng)絡(luò)的智能組合方法，其學(xué)習(xí)算法的依照是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理，故存在泛化能力較差、收斂速度慢、易墮入局部極小值等缺點(diǎn)27-28。所以本文將最小二乘支持向量機(jī)和灰

19、色模型相聯(lián)合，建立一種鑒于LSSVR的短期負(fù)荷組合展望方法，該方法既擁有智能組合展望方法的特色，又保存了LSSVR擁有的結(jié)構(gòu)風(fēng)險(xiǎn)最小化、小樣本、全局最優(yōu)解等優(yōu)勢，能夠提升組合模型的泛化能力和展望穩(wěn)固性，其建模過程以下：設(shè)用m種不一樣序列長度的灰色展望模型作為基本展望模型，這m種灰色模型在同一時刻t(t=1,2,l的展望結(jié)果分別為12,tttmxxx，將這m種展望結(jié)果作為LSSVR的輸入向量，該時刻的負(fù)荷實(shí)質(zhì)值ty作為LSSVR的輸出目標(biāo)值，便可建立出用于組合展望的LSSVR的“輸入輸出訓(xùn)練樣本對”，運(yùn)用已知的l個“組合訓(xùn)練樣本對”訓(xùn)練最小二乘支持向量機(jī)后，便可用于1l+時刻的組合展望，唐杰明等

20、：鑒于灰色模型和最小二乘支持向量機(jī)的電力短期負(fù)荷組合展望Vol.33No.3其對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。鑒于最小二乘支持向量機(jī)的灰色組合展望流程如圖2所示。txtxtx標(biāo)準(zhǔn)適用文案圖1用于組合展望的最小二乘支持向量機(jī)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1Networkstructureofleastsquaresupportvectormachineforcombinedforecast圖2鑒于最小二乘支持向量機(jī)的灰色組合展望流程Fig.2Flowchartofgreycombinedforecastingmethodbasedonleastsquaresupportvector仿真算例剖析4.1基本GM(1,1

21、展望模型的選用和確立為了減小負(fù)荷序列的顛簸性，提升展望精度，有必需對工作日和周末的負(fù)荷分別成立展望模型，同時考慮到短期負(fù)荷的日周期性，本文對展望日的每個展望時刻獨(dú)自建模。在展望過程中，第一將已有的歷史負(fù)荷數(shù)據(jù)按工作日和周末日分解成工標(biāo)準(zhǔn)適用文案作日負(fù)荷基礎(chǔ)數(shù)據(jù)和周末負(fù)荷基礎(chǔ)數(shù)據(jù)，再依據(jù)展望日的日種類屬性采納相應(yīng)的負(fù)荷基礎(chǔ)數(shù)據(jù)來建模；并在4.3節(jié)的仿真中選用模型參數(shù)3m=，即利用選定的負(fù)荷基礎(chǔ)數(shù)據(jù)對每個展望時刻各自成立一套展望模型，每套模型包含3個可修正參數(shù)的灰色展望模型GM-8、GM-10、GM-12，作為組合方法的基本模型，其建模序列長度分別取為8個數(shù)據(jù)、10個數(shù)據(jù)和12個數(shù)據(jù)。4.2最小二

22、乘支持向量機(jī)參數(shù)確實(shí)定及樣本選用在運(yùn)用LSSVR進(jìn)行展望時，算法的核函數(shù)、模型參數(shù)以及樣本訓(xùn)練集對展望成效擁有重要影響，并且這些參數(shù)確實(shí)定和組合訓(xùn)練樣本的選用與詳細(xì)電力系統(tǒng)的負(fù)荷狀況密切有關(guān)。在本文的仿真算例中，選用徑向基函數(shù)22(,exp2iiK-=-xxxx作為核函數(shù)，選用其相應(yīng)的核參數(shù)21=，模型均衡參數(shù)30=；選用組合訓(xùn)練樣本的個數(shù)4l=，也就是說：利用在序列中最湊近展望時刻的前4個時刻基本模型的擬合展望值和實(shí)質(zhì)負(fù)荷值來建立訓(xùn)練樣本集的輸入向量和輸出目標(biāo)值，利用展望時刻的3個基本展望值來建立展望輸入向量，并采納式(16進(jìn)行歸一化，使LSSVR樣本集的數(shù)據(jù)均歸一化在(1,1-中，便于訓(xùn)練

23、和展望，并使組合模型擁有較好的展望成效。minmaxmin?(0.8/(1.20.8L標(biāo)準(zhǔn)適用文案LLLL=-(164.3仿真結(jié)果剖析采納某電網(wǎng)2003年2月1日23日的負(fù)荷數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，利用本文所提出的模型對2月24日24個整點(diǎn)時刻的負(fù)荷值進(jìn)行仿真展望，按4.1、4.2節(jié)所述，每個時刻的展望均分別成立各自的基本灰色模型和組合模型，所以該天24個時刻的展望是重復(fù)24次建模達(dá)成的。表1給出了各樣基本灰色模型和組合模型在該日的展望結(jié)果，同時也給出了組合展望中常用的等權(quán)組合模型的預(yù)測結(jié)果。表中：MAP11?|(/|100%niiiiEllln=-，maxE=1,?max|(/|iiiinlll=

24、-100%，此中i為實(shí)質(zhì)負(fù)荷，?il為展望負(fù)荷。從表1能夠看出，LSSVR組合展望的均勻偏差小于各樣單調(diào)展望的均勻誤差，LSSVR組合展望偏差的最大值小于各單調(diào)偏差的最大值，這說明組合展望的成效優(yōu)于各樣單調(diào)展望模型；別的，LSSVR組合方法的均勻偏差和最大偏差也小標(biāo)準(zhǔn)適用文案于等權(quán)組合模型的對應(yīng)展望偏差，證了然鑒于LSSVR的組合展望思路的有效性，對比于所用的單調(diào)基本模型或常用的等權(quán)組合方法擁有更高的展望精度和更好的展望成效。第33卷第3期電網(wǎng)技術(shù)67表1仿真展望結(jié)果及相對偏差Tab.1SimulationforecastingresultsandrelativeerrorsGM-8方法GM-

25、10方法GM-12方法等權(quán)組合方法LSSVR組合方法時段實(shí)質(zhì)值/GW展望值/GW相對偏差/%展望值/GW相對偏差/%展望值/GW相對偏差/%展望值/GW相對偏差/%展望值/GW相對偏差/%13.49103.48910.0544263.4969-0.169013.5233-0.925243.5031-0.346613.4975-0.1861923.34713.4111-1.91213.4357-2.64713.4659-3.54933.4376-2.70283.4070-1.789633.28933.3650-2.30143.3784-2.70883.4187-3.9343.3874-2.981

26、43.3572-2.064343.29983.3156-0.478823.3397-1.20923.3897-2.72443.3483-1.47083.3274-0.8364153.29403.3187-0.749853.3360-1.2753.3823-2.68063.3457-1.56853.3183-0.737763.29563.3088-0.400533.3435-1.45353.3894-2.84623.3472-1.56673.3128-0.5219173.37033.4205-1.48953.4494-2.3473.482標(biāo)準(zhǔn)適用文案8-3.3383.4509-2.39153.4

27、180-1.415383.52093.5224-0.0426033.5549-0.965663.5961-2.13583.5578-1.0483.5260-0.1448593.50593.5490-1.22943.5805-2.12783.5946-2.533.5747-1.96243.5523-1.3235103.62183.7494-3.52313.7534-3.63363.6630-1.13763.7219-2.76473.6711-1.3612113.63833.7784-3.85073.7831-3.97993.6780-1.09123.7465-2.97393.7037-1.797

28、5123.65613.7745-3.23843.8059-4.09733.6842-0.768583.7549-2.70143.7187-1.7122133.69553.60972.32173.66520.819923.67400.581793.64961.24113.65990.96333143.54853.5501-0.0450893.5944-1.29353.6239-2.12483.5895-1.15453.5743-0.72707153.49243.44611.32573.5013-0.254843.5434-1.46033.4969-0.129813.4976-0.14889163

29、.46093.45110.283163.5156-1.58053.5493-2.55423.5053-1.28393.5026-1.2049173.49113.5024-0.323683.5614-2.01373.5786-2.50643.5475標(biāo)準(zhǔn)適用文案1.61463.5114-0.58148183.61173.54751.77763.55421.5923.59220.539913.56461.30323.58700.68389193.64273.8138-4.69713.7459-2.83313.8578-5.9053.8058-4.47843.7616-3.2641204.03423

30、.90943.09363.93802.38463.97661.42783.94132.3023.97081.5716214.03293.99830.857944.05750.609984.10411.76554.05330.505844.11832.1176224.17314.05712.77974.12181.22934.12841.07114.10241.69344.12171.2317234.03033.91782.79143.98301.17364.00330.669933.96801.5453.99340.91556243.77003.64983.18833.70521.71883.

31、72501.19363.69332.03363.72611.1645EMAPE1.78151.83822.06091.82351.186Emax4.69714.09735.9054.47843.2641標(biāo)準(zhǔn)適用文案結(jié)論1）電力負(fù)荷的智能化組合展望方法不單能最大程度地利用已知信息，改良多種單調(diào)方法的展望結(jié)果，并且能夠避開傳統(tǒng)組合模型中確立權(quán)重系數(shù)的困難，提升展望效率。所以跟著計(jì)算機(jī)和信息技術(shù)的發(fā)展，智能化組合策略勢必逐漸成為負(fù)荷展望領(lǐng)域的研究熱門。2）本文鑒于灰色模型和最小二乘支持向量機(jī)，提出了電力系統(tǒng)短期負(fù)荷的非線性智能組合展望模型，該模型既解決了傳統(tǒng)組合展望模型中權(quán)系數(shù)求取復(fù)雜的問題，實(shí)現(xiàn)了

32、組合展望中所要求的非線性、變權(quán)值組合的目標(biāo)；又降低了單調(diào)基本模型的展望風(fēng)險(xiǎn)，改良了其展望成效。所以，本文提出的方法擁有較好的魯棒性和適用性，合用于電力系統(tǒng)短期負(fù)荷展望。3）最小二乘支持向量機(jī)的性能與模型參數(shù)和核參數(shù)擁有較大關(guān)系，所以，在本文組合模型的少樣本環(huán)境下，怎樣正確、迅速地選用LSSVR模型參數(shù)和核參數(shù)是需要進(jìn)一步研究的課題。參照文件1CampbellPRJ，AdamsonKMethodologiesforloadforecastingC20063rdInternationalIEEEConferenceonIntelligentSystems，London，2006：800-8062A

33、lfaresHK，NazeeruddinMElectricloadforecasting：literaturesurveyandclassificationofmethodsJInternationalJournalofSystemsScience，2002，33(1：23-34耿艷，韓學(xué)山，韓力鑒于最小二乘支持向量機(jī)的短期負(fù)荷展望J電網(wǎng)技術(shù)，2008，32(18：72-76標(biāo)準(zhǔn)適用文案GengYan，HanXueshan，HanLiShort-termloadforecastingbasedonleastsquaressupportvectormachinesJPowerSystemTech

34、nology，2008，32(18：72-76(inChinese陳昊鑒于不對稱自回歸條件異方差模型的短期負(fù)荷展望J電網(wǎng)技術(shù)，2008，32(15：84-89ChenHaoShort-termloadforecastingbasedonasymmetricautoregressiveconditionalheteroscedasticitymodelsJPowerSystemTechnology，2008，32(15：84-89(inChinese羅瑋，嚴(yán)明鑒于廣義學(xué)習(xí)矢量量化和支持向量機(jī)的混淆短期負(fù)荷展望方法J電網(wǎng)技術(shù)，2008，32(13：62-68LuoWei，YanZhengAhybr

35、idapproachofshort-termloadforecastingbasedongeneralizedlearningvectorquantityandsupportmachinevectorJPowerSystemTechnology，2008，32(13：62-68(inChinese6張思遠(yuǎn)，何光宇，梅生偉，等鑒于相像時間序列檢索的超短期負(fù)荷展望J電網(wǎng)技術(shù)，2008，32(12：56-59ZhangSiyuan，HeGuangyu，MeiShengwei，etalUltra-shorttermloadforecastingbasedonsimilaritysearchintime

36、-seriesJPower唐杰明等：鑒于灰色模型和最小二乘支持向量機(jī)的電力短期負(fù)荷組合展望SystemTechnology，2008，32(12：56-59(inChineseVol.33No.3JProceedingsoftheCSEE，2002，22(7：85-89(inChinese19史永，王鵬，張粒子一種適用的短期負(fù)荷組合展望方法J現(xiàn)代電力，2000，17(1：35-40ShiYong，WangPeng，ZhangLiziApracticalmethodforcombinedshort-termloadforecastingJModernElectricPower，2000，17(1

37、：35-40(inChinese20安德洪，韓文秀，岳毅宏組合展望法的改良及標(biāo)準(zhǔn)適用文案其在負(fù)荷展望中的應(yīng)用J系統(tǒng)工程與電子技術(shù)，2004，26(6：842-844AnDehong，HanWenxiu，YueYihongImprovedcombinationforecastmethodanditsapplicationinshort-termloadforecastingofapowersystemJSystemsEngineeringandElectronics，2004，26(6：842-844(inChinese21SalgadoRM，PereiraJJF，OhishiTAhybride

38、nsemblemodelappliedtotheshort-termloadforecastingproblemCInternationalJointConferenceonNeuralNetworks，Vancouver，BC，Canada，2006：2627-263422張俊芳，吳伊昂，吳軍基鑒于灰色理論負(fù)荷展望的應(yīng)用研究J電力自動化設(shè)施，2004，24(5：24-27ZhangJunfang，WuYiang，WuJunjiApplicationofgraysystemtheoryinloadforecastingJElectricPowerAutomationEquipment，2004

39、，24(5：24-27(inChinese23莊恒揚(yáng)GM(1,1建模機(jī)理與應(yīng)用條件剖析及其改良方法J系統(tǒng)工程理論方法應(yīng)用，1993，2(3：56-62ZhuangHengyangModelingmechanismandprerequisitesforGM(1,1andtherevisedmethodsJSystemsEngineeringTheoryMethodologyApplication，1993，2(3：56-62(inChinese24楊延西，劉丁鑒于小波變換和最小二乘支持向量機(jī)的短期電力負(fù)荷展望J電網(wǎng)技術(shù)，2005，29(13：60-64YangYanxi，LiuDingShort

40、-termloadforecastingbasedonwavelettransformandleastsquaresupportvectormachinesJPowerSystemTechnology，2005，29(13：60-64(inChinese25SukykensJAK，GestelTV，BrabanterJDe，etalLeastsquaressupportvectormachinesMSingapore：WorldScientific，2002：43-4926WangHaifeng，HuDejinComparisonofSVMandLS-SVMforregressionCInte

41、rnationalConferenceonNeuralNetworksandBrain，Beijing，China，2005：279-28327WuHaishan，ChangXiaolingPowerloadforecastingwithleastsquaressupportvectormachinesandchaostheoryCTheSixthWorldCongressonIntelligentControlandAutomation，Dalian，China，2006，4369-437328牛東曉，谷志紅，邢棉，等鑒于數(shù)據(jù)發(fā)掘的SVM短標(biāo)準(zhǔn)適用文案期負(fù)荷展望方法研究J中國電機(jī)工程學(xué)報(bào)，2

42、006，26(18：6-12NiuDongxiao，GuZhihong，XingMian，etalStudyonforecastingapproachtoshort-termloadofSVMbasedondataminingJProceedingsoftheCSEE，2006，26(18：6-12(inChinese7王德意，楊卓，楊國清鑒于負(fù)荷混沌特征和最小二乘支持向量機(jī)的短期負(fù)荷展望J電網(wǎng)技術(shù)，2008，32(7：66-71WangDeyi，YangZhuo，YangGuoqingShort-termloadforecastingbasedonchaoticcharacteristico

43、floadsandleastsquaressupportvectormachinesJPowerSystemTechnology，2008，32(7：66-71(inChinese8方仍存，周建中，彭兵，等電力負(fù)荷混沌動力特征及其短期展望J電網(wǎng)技術(shù)，2008，32(4：61-66FangRengcun，ZhouJianzhong，PengBing，aletChaoticdynamicsofpowerloadanditsshort-termforecastingJPowerSystemTechnology，2008，32(4：61-66(inChinese9張凱，姚建剛，李偉，等鑒于功率譜分解和

44、及時氣象要素的短期負(fù)荷展望J電網(wǎng)技術(shù)，2007，31(23：47-51ZhangKai，YaoJiangang，LiWei，etalShort-termloadforecastingbasedonpowerspectrumdecompositionandhourlyweatherfactorsJPowerSystemTechnology，2007，31(23：47-51(inChinese10羅滇生，何洪英基于形態(tài)相像準(zhǔn)則的曲線擬合算法及其在超短期負(fù)荷展望中的應(yīng)用J電網(wǎng)技術(shù)，2007，31(21：81-84LuoDiansheng，HeHongyingAshapesimilaritycriterionbasedcurvefittingalgorithmanditsapplicationinultra-short-termloadforecastingJPowerSystemTechnology，2007，31(21：81-84(inChinese11金義雄，段建民，徐進(jìn)，等考慮氣象要素的相像聚類短期負(fù)荷組合展望方法J電網(wǎng)技術(shù)，2007，31(19：60-64,82JinYixiong，DuanJianmin，Jin，alcombinationalshort-ter