电价预测的自适应支持向量机方法研究.pdfVIP

第 36卷 第22期 电力 系统保护与控制 V0l1_36NO．22 2008年 11月16日 PowerSystem ProtectionandControl NOV．16，2008 电价预测的自适应支持向量机方法研究 刘庆彪 ，张步涵 ，王 凯 ，谢光龙 (1．华中科技大学电力安全与高效湖北省重点实验室，湖北 武汉 430074； 2．西宁供电公司，青海 西宁 810003) 摘要：在电力市场中对电价进行准确的预测无论对于发电商、电力用户还是市场运营者都具有重要的意义，该文突破了传统 电价预测方法基于经验风险最小化的局限性，采用数据挖掘技术实现了数据隐含特征的提取，通过判断数据特征进行了核函 数的选择，采用遗传算法实现了计算参数的自适应调整，并用相似样本和邻近样本训练支持向量机，对预测结果进行了去噪 声合成。利用澳大利亚NSW电力市场的数据进行了验证，单 日预测的平均百分比误差 (MAPE)为5．85％，明显优于神经网络 和单纯支持向量机的预测结果。扩大样本长度进行研究，一周的预测结果表明该方法不但能够有效学习样本信息、去除电价 毛刺，并能有效跟踪电价的突变情况，实现了学习适度的优良泛化性预测。 关键词：电价预测；数据挖掘；支持向量机；自适应调整 ResearchonSA—SVM methodsforpriceforecasting LIUQing．biao，-，ZHANGBu—han，WANGKai，XIEGuang—long (1．ElectricPowerSecurityandHighEfficiencyLab，HuazhongUniversityofScienceandTechnology，Wuhan430074，China； 2．XiningPowerSupplyCompany，Xining810003，China) Abstract： Priceforecastingisofgreatimportanceinpowermarket，thispaperuseddataminingtechniquestoextractimplicitdata properties，selectedkernelfunctionsaccordingtodataproperties，madeuseofGeneticAlgorithm (GA)theory torealize Self-AdaptingSupportVectorMachine(SA—SVM)，andthenusedsimilrasamplesnadadjacencysamplestortainSVMandsynthesis thefinalresultnoise—freely．W henexaminingthismethodusingNSW mraketdatainAustralia，wefoundthatonedayforecasted meanabsolutepercentageerror(MAPE)wasmuchbetterhtanNeuralNetworkmehtodandpureSupportVectorMachinemethod． Wh enextendingforecastingsample，wefoundoneweekforecastedresultindicatedthatSA—SVM couldnotonlystudyvaluable informationandgetridofnoise，butalsotracepowerpricepeaksnadgetqualityforecastingresultsofgoodgeneralizationnadproper study． Keywords： priceforecasting； datami ning； supportvectormachine； self-adapting 中图分类号：TM73 文献标识码：A 文章编号： 1674—3415(2008)22—0034—06 的定价方式仍然没有定论；其次，电价的影响因素 0 引言