基于自适应双向加权最小二乘支持向量机的超短期负荷预测

格式：pdf
大小：845.80 KB
文档页数：5

下载文档原格式

基于加权最小二乘支持向量机的月度负荷预测

基于加权最小二乘支持向量机的月度负荷预测
吴钰，王杰
（）上海交通大学电气工程系，上海２００２４０摘要：考虑到实际电力负荷预测中各数据的重要程度并不相同，在标准最小二乘支持向量机回归算法的训练样本中设置权值系数，建立了加权最小二乘支持向量机模型，以实现样本的优化选择，达到历史数据“ 重近轻远” 的学习效果；同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点，提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化，引入优势粒子和劣势粒子的权重自适应调节机制，使算法结果表明本文方法与常规方法相比降低了具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中，预测误差，且速度较快。关键词：月度负荷；预测；最小二乘支持向量机；加权；混沌粒子群中图分类号：ＴＭ７１５文献标志码：Ａ
第３０卷第５期
吴钰等：基于加权最小二乘支持向量机的月度负荷预测
Ｎ
·１７５·
１Ｔ１２烄ｍｉｎＪ＊（ ω，＝ ω ω ＋ γ∑ ｉ）ｉｉ ξ ξ ２２ｉ＝１μ 烅（）４Ｔ（ …，ｓ．ｔ．ｘｉ＝１，２，Ｎ＋ｂ＋ξ ｙｉ＝ω φ ｉ）ｉ烆），通过建立Ｌ即：ａｒａｎｅ方程求解式（４ｇｇ
随着国民经济的发展和人民生活水平的提高，电力系统月度负荷呈现出逐年增长的趋势；同时，受气温升降、春耕秋收、产业政策等因素的影响，月度负荷随季节变化呈现出波动的趋势。因此对月度负荷进行预测时，要考虑到其具有增长性和季节性波动的二重趋势。月度负荷预测是以月为预测时段、以月度指标（如月度电量、月度电为预测内容对电力系统中期运行计划进行力等）安排，以降低运行成本，达到提高供电可靠性的目

基于最小二乘支持向量机的短期负荷预测模型

基于最小二乘支持向量机的短期负荷预测模型作者：张宁,许承权,薛小铃,郑宗华来源：《现代电子技术》2010年第18期摘要:支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。

研究了支持向量机的拓展算法——最小二乘支持向量机(LSSVM),并将其应用于电力系统短期负荷时间序列预测。

通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSSVM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。

关键词:最小二乘支持向量机; 神经网络; 短期负荷预测;时间序列预测中图分类号:TN715-34文献标识码:A文章编号:1004-373X(2010)18-0131-03Short-term Load Forecasting Model Based on Least Square Support Vector MachineZHANG Ning1, XU Cheng-quan2, Xue Xiao-ling1, ZHENG Zong-hua1(1. Department of Physics & Electronic Information, Minjiang University, Fuzhou 350108, China;2. Department of Geograpgy, Minjiang University, Fuzhou 350108, China)Abstract: Support vector machine (SVM) is a novel machine learning method, which is powerful for solving the problems characterized by small samples, nonlinearity, high dimension, local minima, and other practical problems. The extension algorithm of the support vector mac hine-least squares support vector machine(LSSVM) is studied and applied to the time series forecasting of short-term load in power system. Compared with the predicting outcomings of the neural network model through some examples, the result shows that the forecast accuracy of LSSVM model is higher than that of neural network model, and verifies LSSVM model can apply effectively to short-term load forecasting. This provides a new resolution for short-term load forecasting .Keywords:least square support vector machine; neural network; short-term load prediction; time-sequence forcasting0 引言短期负荷预测是电力系统的重要工作之一。

基于最小二乘支持向量机的短期负荷预测

基于最小二乘支持向量机的短期负荷预测
姜妍;兰森;孙艳学
【期刊名称】《黑龙江电力》
【年(卷),期】2012(34)5
【摘要】针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型.在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日.同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择.仿真结果分析表明,该方法有效、可行.
【总页数】4页(P349-352)
【作者】姜妍;兰森;孙艳学
【作者单位】东北电力大学电气工程学院,吉林吉林132012;黑龙江省电力有限公司哈尔滨检修分公司,黑龙江哈尔滨150090;吉林省集安市云峰发电厂,吉林集安134200
【正文语种】中文
【中图分类】TM715.1
【相关文献】
1.基于 PSO 优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根
2.基于PSO优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根;
3.基于改进最小二乘支持向量机的短期负荷预测 [J], 孙薇;刘默涵
4.基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测 [J], 李霄;王昕;郑益慧;李立学;生西奎;吴昊
5.基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法 [J], 陈友鹏; 陈璟华因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测

Short-term wind load forecasting based on improved LSSVM and error forecasting correction
LI Xiao1, WANG Xin1, ZHENG Yihui1, LI Lixue1, SHENG Xikui2, WU Hao2 (1. Center of Electrical & Electronic Technology, Shanghai Jiao Tong University, Shanghai 200240, China; 2. Yanbian Power Supply Company, Jilin Electric Power Co., Ltd., State Grid Corporation of China, Yanbian 133000, China) Abstract: In order to improve the wind load forecasting precision and ensure the effective use of wind power resources, a method based on improved least square support vector machine (LSSVM) combined with error forecasting is proposed. Firstly, lifting wavelet transform (LWT) decomposition of the original data is introduced to effectively extract the main features, with which the randomness of the wind is overcome; secondly LSSVM is used for the prediction of decomposed signals to ensure accuracy; then, error forecasting (EF) is added to reduce the large error points and improve the stability of the results. Finally, experimental results using real wind farm data show that the forecasting model is better in both generalization performance and predictive accuracy, and may provide an effective and practical way for the short-term wind load forecasting. This work is supported by National Natural Science Foundation of China (No. 60504010) and National High-tech R & D Program of China (863 Program) (No. 2008AA04Z129). Key words: lifting wavelet transform (LWT); least square support vector machine (LSSVM); error forecasting (EF); wind load forecasting 中图分类号： TM714 文献标识码：A 文章编号： 1674-3415(2015)11-0063-07

最小二乘支持向量机(LS—SVM)在短期空调负荷预测中的应用

ＳｉｍｕｌａｔｅｄｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＬＳ —
Ｏ引言短期空调负荷预测通常是指对未来一天或一周的空调负荷进行预先的估算。它是负荷管理控制和中
绵阳一栋办公类建筑的空调负荷预测中。试验表明所提出的方法预测精度较高，运算简单，收敛速度快，具有较强的可行性和
实用性。
关键词：最小二乘支持向量机；短期空调负荷；预测；ｆｏｒｔｒａｎ软件建模
中图分类号：ＴＵ８３１文献标志码：Ａ文章编号：１６７３ — ７２３７（２０１３）０２－００５６－０３
０年第期（总第４卷第６４期
Ｎｏ．２ｉｎ２０１３（ＴｏｔａｌＮｏ．２６４，Ｖｏ１．４１）ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１６７３－７２３７．２０１３．０２．０１６
ＴＡＮＧＬｉ，ＴＡＮＧＺｏｎｈｇ－ｈｕ￣Ｊ／ＮＪｕｎ－ｊｉｅ（ＳｏｕｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｍｉａｎｙａｎｇ６２１０１０，Ｓｉｃｈｕａｎ，Ｃｈｉｎａ）
全局最优、对维数不敏ＶＭ的一种变形算法，它将标准型中的不等式约束改为等式约束，并简化了计算的复杂性。目前，它已被成功应用于短期电力负荷预￣ｊｊｔ４］、城市用水量预

基于支持向量机的短期负荷预测的方法改进

获得预测值五，使之尽可能接近实际值。预测值
可一般地表示为
．
厂ｚ＝＜，ｚ）（）（）＋ｂ
（）２
式中，０）（２为输人空间到希尔伯特空间的映射，７ｂ为阈值，为权系数向量。砌对输人和输出样本进行回归，成对系统的建完模，通过建模训练，找到参数和ｂ，得：要寻使
摘
要：在对支持向量机（ｕｐｒＶｃｒｃｉｓＳＳｐｏｔｅｔｈｎ，ＶＭ）ｏＭａｅ方法的参数性能进行分析的基础上，出了将Ｇｉ— 提ｒｄ
ｓａｃ方法引入至基于支持向量机的短期负荷预测算法中，ｅｒｈ以解决支持向量机方法的参数选择问题。该参数选择
ＣｕｇＣａｇ和Ｃｉ－ｎＬｎ提出的Ｇｒ —ｅｒｈ方ｈｎｈｎｈｈＪｉｅｉｓａｃｄ
法［应用于短期负荷预测中支持向量机的参数选５］择上，旨在减少参数选择的盲目性，提高支持向量机
的预测精度。
ｌ回归支持向量机模型［６Ｊ
Ｉ（），０）厂ｚ一（（）一ｂ ≤ｅ７２Ｉ
．
（）３
式（）３的最优化问题为：
ｍｉ：ｎ
叫．ｂ
训
二
方法受核函数必须可导的限制，且在搜索过程中容
易陷人局部极４Ｌ，。对于以上问题，文提出将ＣｉＷｅＨｓＣｉ— 本ｈｈｉ，ｈｈ —
中图分类号：Ｍ７５Ｔ１文献标识码：Ａ

基于经验模式分解和最小二乘支持向量机的短期负荷预测

ｓｒｓｆｔｔｎｒｔｎｉｍｏｅｆｎｔｎ（１ｎｄｆｒｎａａｅＴｅｌＣａｅｆｒｉａｌａｒｓｅｐｏｉｅｔｎｅｅａｏａｉｒｓｄｃｏｓＩｉｅｅｔｃｌｓｃ．ｈａｆｔｓｇｎｄｓｉｒｍｎｎｉｏｓｉｙｎｉｃｕｉＭＦｉｓｅｐＯｌｅｕｏｏｒｉｌｏｅｅａｒｉ

ＳｕｒｕｐｒＶｃｏｃｉｅ（ — ＶＭ）ｓｐｅｅｔｄｉｉｐｐｒＦｒｔ，ｅｐｗｅａｅｅｓａａｔｅｙｄｃｍｐｓｄｉｔｑａｅＳｐｏｔｅｔｒＭａｈｎＬＳＳｉｒｓｎｅｔｓａｅ．ｉｌｔｏｒｌｄｓｒｓｉｄｐｉｌｅｏｏｅｏａｎｈｓｙｈｏｉｖｎ
维普资讯
第３卷第８５期２０年４ｌ０７月６日
继电器
ＲＥＬＡＹ
Ｖｌ５ＮＯ８ｂ＿３．Ａｐ．６２０ｒ１，０７
基于经验模式分解和最ｄ，乘支持向量机的短期负荷预测＇－
祝志慧，孙云莲，季宇
ｔｅｃａｇｅｕａｉｎｏａｈＩｈｈｅｒｇｌｔｆｅｃＭＦｅｒｇｔａａｔｒａｄｋｍｅｕｃｉｎｅｃｏｅｏｂｉｉｅｅｔＬ — ＶＭｅｐｃｉｅｙｔｎｏｈｔｉｈｒｍｅｅｅｌｆｎｔｓａｈｓｎｔｕｌｄｆｒｎＳＳｐｎｏｒｄｒｓｅｔｌｏｖ
ＺＨＵ＿ｕｉ，ＺｈｉｈＳＵＮＹｕｎ—ｉｎＪＵｌａ，ＩＹ
（ｃｏｌｆＥｅｔｃｌｇｎｅｎＳｈｏｌｃｒａｉｅｒｇ，Ｗｕａｉｅｓｔ，Ｗｕａ４０７，Ｃｈｎ）ｏｉＥｎｉｈｎＵｎｖｒｉｙｈｎ３０２ｉａ

应用最小二乘支持向量机进行短期负荷预测的研究与实现

高了预测的精度．
关
键
词：最小二乘支持向量机；短期负荷预测；双向加权；自适应文献标识码：Ａ文章编号：１６７３ — ９７８７（２０１３）０３－０３２７－０５
中图分类号：ＴＭ７１５
第３２卷第３期
２０１３年６月
河南理工大学学报（自然科学版）
ＪＯＵＲＮＡＬＯＦＨＥＮＡＮＰＯＬＹＴＥＣＨＮＩＣＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬＳＣＩＥＮＣＥ）
ｍｅｍｂｅｒｓｈｉｐｄｉｓｔｒｉｂｕｔｉｏｎｏｆａｔｉｍｅｄｏｍａｉｎｉｓｉｎｔｒｏｄｕｃｅｄｉｎａｂｉ－ｄｉｒｅｃｔｉｏｎ，ｎａｍｅｌｙ，ｔｒａｎｓｖｅｒｓｅａｎｄｌｏｎｇｉｔｕｄｉｎａ１．Ｔｏｏｖｅｒｃｏｍｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｏｆｐｒｅｄｉｃｔｉｎｇｗｉｔｈａｉｆｘｅｄｃｏｅｉｃｆｉｅｎｔ，ａｆａｓｔ — ｌｅａｖｅ — ｏｎｅ — ｏｕｔｍｅｔｈｏｄｉｓｕｓｅｄｔｏａ－
Ｖｏ１．３２Ｎｏ．３
Ｊｕｎ．２０１３
应用最小二乘支持向量机进行短期负荷预测的研究与实现

基于小波变换和AWLS-SVM的短期负荷预测

基于小波变换和AWLS-SVM的短期负荷预测杨春玲;王锌桐;王晓波【摘要】提出了一种基于小波变换和自适应加权最小二乘支持向量机(AWLS-SVM)的电力系统短期负荷预测方法.针对负荷变化具有拟周期性和随机性的特点,本方法先将负荷值利用小波变换分解为几个低频段的拟周期量和一个高频段随机量,然后根据各分量特点应用AWLS-SVM模型进行预测,最后小波重构各分量获得预测结果.实例预测结果表明该方法具有较高的预测精度.【期刊名称】《安徽水利水电职业技术学院学报》【年(卷),期】2018(018)003【总页数】5页(P56-60)【关键词】短期负荷预测;小波变换;自适应加权最小二乘支持向量机【作者】杨春玲;王锌桐;王晓波【作者单位】安徽电气工程职业技术学院,安徽合肥230051;安徽电气工程职业技术学院,安徽合肥230051;安徽电气工程职业技术学院,安徽合肥230051【正文语种】中文【中图分类】TM714短期负荷预测对电力系统生产和运行具有重要的指导意义,各专家、学者在此领域已提出多种预测方法[1-4]。

但是电力负荷运动非线性较强,应用单一方法预测有一定的局限性,需在原有方法基础上不断改进和完善,以期达到较好效果。

本文提出小波变换和自适应加权最小二乘支持向量机(AWLS-SVM)相结合的短期负荷预测方法,克服了单一方法预测的局限性,且由本文提出的AWLS-SVM改进了最小二乘支持向量机(LS-SVM)难以选择最优参数的劣势,并通过加权突出负荷预测中不同样本在训练过程中贡献不同的特点克服了LS-SVM因其对偏离精度要求的惩罚相同而造成预测精度降低的缺点。

应用本文方法预测了某地区的负荷和EUNIYE讨论会[5]上竞赛数据,结果证明了该算法的先进性。

1 自适应加权最小二乘支持向量机1.1 加权最小二乘支持向量机加权最小二乘支持向量机(WLS-SVM) 对应的优化问题是:s.t.yi=wTφ(xi)+b+ξi,i=1,…,l(1)其中，C是正则化参数,ξ是拟合误差。

基于最小二乘支持向量机的超短期风电负荷预测

基于最小二乘支持向量机的超短期风电负荷预测崔杨;李莉;陈德荣【摘要】Strong intermittency and fluctuation of wind leads to difficultiesin wind power load forecast,such as slow forecast and calculation, short predictable future and low prediction accuracy.To overcome these difficulties,the least squares support vector machine (LS-SVM)method is used in the ultra-short-term wind power load forecast.The improved LS-SVMcalculation simplifies the computational complexity,raises computation speed remarkably,and improves prediction accuracy.Resultsof simulation made with actual data show that the method based on LS-SVM can further improve prediction accuracy of ultra-short-term wind power forecast and raise calculation and prediction speed,showing advantages both in prediction accuracy and calculation speed as compared with other methods.This method is feasible and effective when used for ultra-short-term wind power load forecast.%风力具有很强的间歇性和波动性，导致风电负荷预测困难，主要表现在预测计算速度慢，可预测的未来时间短，预测精度不高。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

y( x) = wT ⋅ϕ(x) + b
（1）
其中：ϕ(∗) 是把训练数据映射到一个高维特征空间；
w是加权向量； b 是常值偏差。则目标函数定义为
∑ min J (w, e) =
w,b,e
γ 2
N k =1
ek2
+
1 2
w
2
（2）
约束条件为
yk = wTϕ ( xk ) + b + ek ， k=1,2,…,N （3）
其中：γ > 0 为惩罚系数，用来平衡模型的复杂度和
精度的； ek 为估计误差。 1.2 输入向量的横向加权
本文是多输入单输出模式，输入 xi 向量中的值
是随时间纵向分布的，通过加权处理体现不同时刻的负荷值对预测值影响的差异。输入向量按式
θi = δ(1− δ)n−i 加权，则加权后输入样本变为
.
Chongqing 400044，China；2. Chongqing New Century Electrical Co. LTD，Chongqing 400039，China）
Abstract：Weighted least squares fuzzy support vector machines method is proposed for ultra-short-term load forecasting. In order to reflect the characteristic that the nearer data have a greater impact on the predicting value，the membership distribution of time domain is introduced in bi-direction, namely, transverse (output samples) and longitudinal (training samples). To overcome the disadvantage of predicting with a fixed coefficient，fast leave-one-out method is used to adaptively optimize the parameters on-line．The load data from a substation is used for simulating and the applications of different methods are compared. The results show that the proposed method can improve the forecasting accuracy compared with traditional methods. Key words：LS-SVM；bidirectional weighted；fast leave-one-out；ultra-short-term load forecasting；adaptive parameter selection
三角矩阵，且 Q = RRT ，设 S = [sij ]li, j=1 = R−1 ，则
Q −1 = S T S ，求解各样本的误差时只关心 Q−1 的对
角阵元素
∑ ∑ { } Q−1 ii
=
i
si2j
j =1
⇒
C −1 ii
=
i j =1
si2j
+
ζ
2 i
LQ
∀i ∈ 1,2,", N
将上式求出的 Ci−i1 代入式（14），则预测误差可
第 38 卷第 19 期 2010 年 10 月 1 日
电力系统保护与控制
Power System Protection and Control
Vol.38 No.19 Oct. 1, 2010
基于自适应双向加权最小二乘支持向量机的超短期负荷预测
王岗 1，姜杰 1，唐昆明 1，张太勤 2
（1.输配电装备及系统安全与新技术国家重点实验室（重庆大学），重庆 400044；2.重庆新世纪电气有限公司，重庆 400039）
Ultra-short-term load forecasting based on adaptive bidirectional weighted least squares support vector machines
WANG Gang1，JIANG Jie1，TANG Kun-ming1，ZHANG Tai-qin2 （1. State Key Laboratory of Power Transmission Equipment & System Security and New Technology，Chongqing University，
b
+
ek
−
yk
=
0
（7）
其中，k=1,2,…,N。消去 ek 与 w ，则得到如下线性
方程组：
ΦN
⎡a⎤ ⎢⎣b ⎥⎦
=
⎡Y ⎢⎣0
⎤ ⎥⎦
（8）
⎡Ω + VC
ΦN
=
⎢ ⎢⎣
→
1
T
→⎤ 1⎥ 0 ⎥⎦
（9）
式
中
：
VC
=
⎧1 diag ⎨
⎩ γμ1
, ⋅ ⋅ ⋅, 1 γμN
⎫ ⎬ ⎭
；
Y
=［y1;
y2 ;⋅ ⋅ ⋅;
王岗，等基于自适应双向加权最小二乘支持向量机的超短期负荷预测
- 143 -
本赋予纵向隶属度的同时，给各训练样本输入向量的元素赋予横向隶属度，充分体现训练样本各个方位“近大远小”的原则。同时为了能够根据新样本不断更新模型相关参数，应用快速留一（ fast leave-one-out，FLOO）交叉验证法[15]对模型参数进行优化，实现每次预测前模型参数的自适应选择。
xi
= xki ⋅θi ，
k=1,2,…, l
式中， l 为输入向量维数。
（4）
1.3 训练样本集的纵向加权
预测值不仅与输入向量中各元素的值相关，同
时也与训练的样本组有一定的相关性。近期样本对
预测值的影响相对较大，而远期的影响则相对较小，
所以根据历史样本对当前负荷影响程度赋予不同的
隶属度，减小早期样本对预测模型的影响，同时增
1 双向加权最小二乘支持向量机
1.1 LS-SVM
LS-SVM 是标准 SVM 的一种扩展。假设训练
样本集为 T = {( x1, y1 ), ( x2 , y2 ),⋅ ⋅ ⋅, ( xN , yN )} ，N
为训练样本对的数目，其中输入 xk ∈ Rn ，输出值
yk ∈ R ，回归模型可以表示为
大近期样本对预测模型的影响。应用线性隶属度 μi
予以赋值， μi = β + i(1 − β) / N ，且 0 ≤ μi ≤ 1，
则输入样本集变为
T = {( x1, y1, μ1 ), ( x2 , y2 , μ2 ),⋅ ⋅ ⋅, ( xN , yN , μN )}
1.4 双向加权 LS-SVM 将 1.2 节和 1.3 节加权理论相结合便构成
近年来，Vapnik等[6-7]提出了标准的支持向量机（SVM）方法已在许多领域取得了成功的应用，显示出巨大的优越性，文献［8-9］利用SVM进行负荷预测，收到了一定的效果。但SVM存在计算速度较
慢、鲁棒性不强等局限性。为解决速度问题，Suykens 等 [10-11] 提出最小二乘 SVM 算法（ LS-SVM ）。目前，最小二乘支持向量机在预测方面已有不少应用[12-13]，都取得了一定的效果，也有相应的改进，如文献[14]中考虑了影响预测精度的主要为近期样本，故赋予各组样本一定的隶属度，使得训练中近期样本的误差相对较小，远期样本的误差相对较大。但该方法的LS-SVM相关参数为定值，其未随着样本的更新而变动，在一定程度上降低了预测的准确性。超短期负荷预测在不考虑气象因素的条件下，预测样本的输入需考虑与预测时刻之前若干时段的负荷值和相同类型日同一时刻的负荷值，这些信息在时间上是纵向分布的，对所预测负荷的影响不同。鉴于以上原因，本文提出了基于自适应双向加权最小二乘支持向量机的超短期负荷预测，即对训练样
以表示为
∑ ^ −1
yi − yi =
ai
i
s
2 ij
j =1
+
ζ
2 i
LQ
（16）
由于 ζ i 与 LQ 的计算量很小，所以计算训练样
本预测总误差的复杂度仅约 ο（N）。
中图分类号： TM715 文献标识码：A
文章编号： 1674-3415(2010)19-0142-05
0 引言
超短期负荷预测是对未来 1 h 以内的负荷进行预测，其主要用于实时安全分析、实时经济调度、自动发电控制[1]。长期以来，国内外学者对超短期负荷预测的理论和方法做出了大量的研究，提出了许多预测方法，如线性外推法[2-3]、神经网络法[4-5] 等，线性外推法为线性模型难以反映电力负荷的非线性特性；而神经网络法存在容易陷入局部最优、 “过拟合”、泛化性能力不强等缺点。以上方法的缺点对预测的精度都存在一定的影响。
摘要：应用模糊加权最小二乘支持向量机对超短期负荷进行预测，为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点，即“近大远小”的原则，在双向，即横向（输入样本）与纵向（训练样本集）引入时间域的隶属分布。并用快速留一法在线优化模型的参数，实现了相关参数的自适应选择，克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测，并应用不同的方法进行了对比。结果表明，所提出的方法与传统方法相比提高了超短期负荷的预测精度。关键词：最小二乘支持向量机；双向加权；快速留一法；超短期负荷预测；自适应参数选择