【正文】 為負荷預測中的不良數(shù)據(jù)，所以使用之前，有必要對其進行處理。必要時，還可同時采用幾種數(shù)學模型進行運算，以便對比、選擇。一天24小時使用24個神經(jīng)網(wǎng)絡，每個神經(jīng)網(wǎng)絡都需要訓練，所以就有24個訓練過程圖，在此就不列出。對于有限樣本的學習，傳統(tǒng)方法基本上是基于經(jīng)驗風險最小化原則,在訓練數(shù)據(jù)上最小化訓練錯誤，即最小化經(jīng)驗風險，并用這個最小的經(jīng)驗風險來代替最小期望風險。支持向量機方法主要有以下幾個優(yōu)點：（1）支持向量機是針對有限樣本情況的，目標是獲得已知的有限樣本信息下的最優(yōu)解，而不僅僅是樣本趨于無窮大時的最優(yōu)解。表現(xiàn)在訓練過程上就是支持向量機自動產(chǎn)生所有的模型結(jié)構(gòu)，而神經(jīng)網(wǎng)絡僅產(chǎn)生權(quán)重。平衡因子為權(quán)重系數(shù)。支持向量機回歸方法和神經(jīng)網(wǎng)絡回歸相比有較成熟的理論基礎，雖然其還需要進一步完善和發(fā)展，但己經(jīng)表現(xiàn)出許多特有的優(yōu)勢。輸入量包括歷史負荷數(shù)據(jù)，氣象數(shù)據(jù)，日期類型。使用2000年3月的歷史數(shù)據(jù)及相應的天氣氣溫情況作為原始數(shù)據(jù)，從月初開始20天的負荷及天氣、日期數(shù)據(jù)作為訓練樣本，生成樣本后計算參數(shù)，得到回歸方程。表41 3月21日與3月22日預測結(jié)果小時（21日）實際負荷(MW)預測負荷（MW）相對誤差（%）小時（22日）實際負荷（MW）預測負荷（MW）相對誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)21日 (b)22日圖41 3月21日（a）與3月22日（b）預測結(jié)果 表42 3月23日與3月24日預測結(jié)果小時（23日）實際負荷(MW)預測負荷（MW）相對誤差（%）小時（24日）實際負荷（MW）預測負荷（MW）相對誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)23日 (b)24日圖42 3月23日（a）與3月24日（b）預測結(jié)果表43 3月25日與3月26日預測結(jié)果小時（25日）實際負荷(MW)預測負荷（MW）相對誤差（%）小時（26日）實際負荷（MW）預測負荷（MW）相對誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)25日 (b)26日圖43 3月25日（a）與3月26日（b）預測結(jié)果表44 3月27日預測結(jié)果小時（27日）實際負荷（MW）預測負荷（MW）相對誤差（%）01234567891011121314151617181920212223圖44 3月27日預測結(jié)果表45 七天平均相對誤差日期3月21日3月22日3月23日3月24日3月25日3月26日3月27日神經(jīng)網(wǎng)絡法平均相對誤差（%）支持向量機平均相對誤差（%）由上表可知，支持向量機預測方法能很好的預測未來的負荷，它比神經(jīng)網(wǎng)絡有更高的預測精度。而基于結(jié)構(gòu)風險最小化的支持向量機方法避免了人工神經(jīng)網(wǎng)絡模型產(chǎn)生的問題。for i=4:23if t2pin(:,k)=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]39。k=k+1。=1000。endout=sim(net,pin_test)。39。for i=4:26if t2pin(k,:)=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]。k=k+1。f39。},[],...39。model=trainlssvm(model)。D(1,t)=y。 Leung, .摘要：一種新穎的基于神經(jīng)網(wǎng)絡原理包含天氣因素的電力負荷預測技術正呈現(xiàn)于面前。它被用來確立發(fā)電廠操作方案及單元操作方案，發(fā)電和能量交換熱備用方案。這種模型不適合那些季節(jié)不明確的地方，例如香港。在上述基于預測技術的神經(jīng)網(wǎng)絡中，他們大部分可以歸納為非線性時間序列方式，假設負荷可以被分解為兩部分，是天氣依賴因素和天氣獨立因素。非線性函數(shù)h是人工神經(jīng)網(wǎng)絡的非線性近似。這個模型利用人工神經(jīng)網(wǎng)絡完全的動態(tài)變化且它是一個用于不固定時間序列的非線性模型。模型被稱為ARIMA模型，同時等式6的解落在單位圓的外部。很多的時間序列預測中，時間序列模型總基于非線性自回歸模型[20]如 （11）神經(jīng)系統(tǒng)的短期負荷預測模型可以被認為是一個改良的非線性自回歸模型如 （12）而未知的光滑函數(shù)h用前饋神經(jīng)網(wǎng)絡非線性的近似。為了得到一個精確的負荷預測，我們必須確定最適合的模型一致于負荷消費的規(guī)律。系統(tǒng)負荷對溫度變化很敏感。它直接影響空調(diào)負荷和照明負荷因為相對濕度和云層覆蓋都與降水有關。在術語上簡單化，非線性自回歸模型表示非線性自回歸神經(jīng)網(wǎng)絡模型且完整非線性自回歸模型表示完整非線性自回歸神經(jīng)網(wǎng)絡模型。而復數(shù)的值直接取決于和之間的相關性，因為如果和相關性很好則值將很小。在我們的研究中，平日從1992年三月12號到八月26號的負荷需要被用來測試同時1991年的平日負荷需要被用來訓練。和的分散圖可以找到兩個變量之間的相關性。有81個隱含層神經(jīng)元的相同結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡將應用于這兩種負荷模型提供超前一天每小時負荷預測。我們提議的神經(jīng)網(wǎng)絡模型體系圖是插圖2。最近一天：24小時的相對濕度。在我們研究中，一個改良的完整非線性自回歸模型如等式10b適合短期負荷預測。矢量包含t時刻可利用的天氣信息。最佳預測有最小的方差，是期望條件 （9）這個預報器有一個平均方差。離線仿真在香港島電力負荷圖形上做了，它由香港電力公司提供。實際上我們負荷預測的目標是針對偏差的預報而不是負荷。天氣依賴因素負荷經(jīng)常通過天氣變量如溫度，相關濕度和風速等來估計。把一個專家的知識轉(zhuǎn)換成數(shù)學規(guī)則非常的困難。過去幾十年大量各種技術用于短期負荷預測[13]。完整自回歸非線性模型被認為是最適合用于進行包含天氣因素的短期負荷預測的模型。B(t,:)=fh。if t2pin_test=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]。,{},39。RBF_kernel39。xu2=windowize(pin,1:delays+1)。k=k+1。支持向量機模型：clear。y=x*()+。=。tansig39。k=k+1。支持向量機方法有著顯著的優(yōu)越性，被認為是人工神經(jīng)網(wǎng)絡方法的替代方法。第五章 結(jié)論電力系統(tǒng)負荷預測是電力系統(tǒng)安全和經(jīng)濟運行的重要環(huán)節(jié)，影響到發(fā)電、輸電和電能分配等方面的合理安排。根據(jù)模型選取樣本，每個小模型使用18組樣本。后3個輸入量為預測日的最高溫度、最低溫度及日期類型。（2）支持向量機通過核函數(shù)，將低維輸入空間映射到髙維特征空間,得到全局最優(yōu)解?？梢酝ㄟ^引入拉格朗日乘子，建立拉格朗日函數(shù)。支持向量機回歸理論是建立在分類問題基礎上的，對于訓練樣本集T，為輸入向量，為目標輸出。（3）算法將實際問題通過非線性變換到高維的特征空間，再通過構(gòu)造線性判別函數(shù)實現(xiàn)原空間中的非線性判別函數(shù)，而且其算法復雜度與樣本維數(shù)無關。與處理大量樣本的經(jīng)典方法顯著不同，統(tǒng)計學習理論是一種專門研究有限樣本情況下機器學習規(guī)律的理論，針對有限樣本統(tǒng)計問題建立了一套新的理論體系，在這種體系下的統(tǒng)計推理規(guī)則不僅考慮了對推廣能力的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。表33 3月21日與3月22日預測結(jié)果小時（21日）實際負荷(MW)預測負荷（MW）相對誤差（%）小時（22日）實際負荷（MW）預測負荷（MW）相對誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)21日 (b)22日圖33 3月21日（a）與3月22日（b）預測結(jié)果表34 3月23日與3月24日預測結(jié)果小時（23日）實際負荷(MW)預測負荷（MW）相對誤差（%）小時（24日）實際負荷（MW）預測負荷（MW）相對誤差（%）0