基于Fisher信息和在线SVR的智能电网气象敏感负荷预测动态建模技术

摘要：

智能电网大数据环境为解决短期负荷预测模型性能退化和精度随时间降低等问题提供了契机.基于此,该文提出一种基于在线支持向量回归(on-line support vector regression,OSVR)和Fisher信息(Fisher information,FI)气象因素处理及特征选择(features selection,FS)的动态建模新方法,用该方法来构建过程变量之间关系快速变化时的智能电网气象敏感负荷预测模型.首先,利用支持向量回归(support vector regression,SVR)模型的卡罗需–库恩–塔克(Karush-Kuhn-Tucker,KKT)条件推导出一种简洁的OSVR学习算法,使得每当有样本增加到训练集或从训练集移除时,该算法均能有效地更新已训练好的SVR模型,而不用对整个训练数据重新再训练.其次,提出一种基于Fisher信息的特征选择方法和气象因素引入方法,能够从捕获的数据中提取主要特征,并有效处理气象因素的累积效应.实际测试结果表明:所建立的预测模型能够使用最新的数据信息完成更新,在过程特征发生快速变化的情况下,其预测精度仍高于传统方法.

关键词：动态建模、气象敏感负荷预测、特征选择、在线支持向量回归、Fisher信息、累积效应

所属期刊栏目：40

分类号：TM744(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金;国家自然科学基金;江苏高校优势学科建设工程项目

在线出版日期：2020-06-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：3441-3451,中插5