电网互联环境下支持向量回归负荷预测模型研究

Under the overall pattern of the national power grid interconnection, the large-scale sample electricity load forecasting research in power grid operation management is a universal hard problem. This project will focus on support vector regression (SVR) model and the related problems for large-scale sample data, the results of theoretical research will be applied to the large-scale sample electricity load forecasting. Specific contents are as follows: (1) study the forecasting theory and method of SVR; (2) analysis the nature of SVR model, build a specific kernel function for electricity load forecasting; (3) propose the new technology of key training data selection for large-scale sample data; (4) establish a high precision, fast, simple and robust SVR forecasting model for the large-scale sample electricity load forecasting, and demonstrate the applicability and the superiority of this model using statistical analysis technique; (5) provide the electric power company with guidance on cost cutting and safe, stable operation, based on the results of the load forecasting model. This project is the intersection of forecasting theory and methods, statistical learning theory, and grid operation management, its completion not only improves the key training data selection technology and forecasting theory of the large-scale sample under the power grid interconnection environment, but also lays foundations of the research on safe, stable and economic operation of electric power system.

在全国电网互联的总格局下，电网运行管理中大规模样本的电力负荷预测研究是一个普遍性的难题。本项目将围绕大规模样本的支持向量回归模型及相关问题展开研究工作，并将理论研究结果应用到大规模样本的电力负荷预测之中。具体的研究内容如下：（1）进行支持向量回归预测理论和方法的研究；（2）分析支持向量回归模型的性质，构建电力负荷预测的特定核函数；（3）提出大规模样本的关键训练数据选取新技术；（4）针对大规模样本的电力负荷预测问题，建立高精度、快速、简单以及稳健的支持向量回归模型，并用统计分析方法验证模型性质；（5）根据负荷预测模型结果提供电力公司缩减成本、安全稳定运行的指导意见。本项目是预测理论与方法、统计学习理论、电网运行管理的交叉，它的完成不仅完善了电网互联环境下大规模样本的关键训练数据选取技术及预测理论，而且可以为电力系统安全、稳定、经济运行的研究奠定基础。

本课题主要对支持向量回归预测理论和方法、特定核函数构建、关键数据选择新技术、高效支持向量回归以及大规模样本电力负荷预测问题展开了较为深入的研究，主要从理论性质与预测结果评价两个角度探讨模型效果，在理论与应用两方面取得了一系列进展与研究成果。主要的研究成果包括：(1) 对支持向量回归预测理论和方法展开了研究，提出了可解释性和高精度预测性的双目标负荷预测模型，提出了一种组合预测单项模型选择准则；(2) 对特定核函数构建展开了研究，提出了支持向量回归模型的一种多核选择算法；(3)对数据的维数缩减方法展开了研究，分别从线性模型和非线性模型两个角度提出了高维样本的变量选择方法，从理论上证明了相关性度量、统计渐近性和三类变量选择性能；(4)对高效支持向量回归模型展开了研究，提出了嵌套地获取最优训练数据子集和模型参数算法；在此基础上，提出了支持向量回归增量预测模型，提出了一种改进的支持向量回归预测模型，该模型能有效地结合数据样本选择和模型参数选择，并证明了收敛性。以大规模样本电力负荷预测为研究对象，结合研究的理论与方法，对上述各模型进行了相应的数值模拟实验。截止目前，研究成果已发表论文（含接收2篇）12篇，其中10篇论文被SCI检索（含接收2篇SCI源刊论文）。本项目的研究工作将支持向量回归模型推广到大规模样本预测问题之中，为电网互联环境下电力系统安全、稳定、经济运行提供理论基础和技术支持。