基于最小二乘支持向量机的短时用水量预测及监控系统.pdf

嘭艺勇t铂2008年第27卷第7期 ·煮字荔钐黝· 基于最小二乘支持向量机的 短时用水量预测及监控系统 陈其松1 张 欣2 熊世桓3 陈孝威1 5500252 5500253 (1．贵州大学计算机科学与技术学院 2．贵州省光电子技术与应用重点实验室 3．贵州教育学院数学与计算机科学系 550003) 摘 要 实现了基于数据挖掘预处理和最小二乘支持向量机的短时用水量预测及监控系统。 本系统在原有的基于以太网的自动抄表系统基础上增加了无线自动抄表功能和短时用水量预测功 能。该系统具有学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，预测精度高等 优点。实践证明此预测及监控系统运行经济可靠。 关键词 数据挖掘 支持向量机 预测 多接口 监控系统 2．2数据挖掘技术 1 引言 数据挖掘技术”1能够从大量数据中智能地、自 近年来抄表系统…发展迅速，但由于缺乏有力 动地提取隐含在其中的、事先未知但又有潜在价值 的数据分析工具，数据的综合利用率较低。基于现 的信息和知识，并将其表示成最终能被人理解的模 有系统的不足，本研究设计了新型供水监控系统， 式。对于供水系统这样复杂的系统，数据挖掘技术 以数据挖掘理论为基础，利用基于最小二乘支持向 正越来越被重视。 量机的预测模型对抄表系统的数据进行短时用水量 2．3 支持向量机及最小二乘支持向量机 预测，并由该预测数据实现变压供水，这样既提高 了所采集数据的利用率，又有效节约了能源。 支持向量机”1(SVM)是在统计学习理论基础 上发展起来的一种新的机器学习方法，它基于结构 2 预测模型关键技术分析 风险最小化原则，能有效地解决过学习问题，具有 2．1 已有的预测方法分析 良好的推广性和较好的分类精确性。最小二乘支持 向量机”’叫(LS—SVM)的训练过程也遵循结构风险 早期的短时用水量预测技术主要是多元线性回 归法及非线性回归方法。随着计算机技术的发展和 最小化原则，将不等式约束改为等式约束，将求解 优化调度对预测精度的要求，提出了许多结合人工 的优化问题转化成线性方程，并将经验风险由偏差 智能领域的预测新方法，如人工神经网络卜1短时用 的一次方改为两次方，在非线性预测控制方面更具 有优势。 水量预测模型、联合Box—Jenkins和神经网络预测 用水量、结合动力系统中Grassberger—Procaccia算2．4结合数据挖掘与LS—SVM的预测方法 法和自然邻点插值(NNI)方法来预测短时用水量、 SVM的缺点是不能区分冗余数据，不能确定数 基于粗糙集理论自动挖掘用水量序列的规则达到短 据的作用，但具有良好的泛化性能。SVM处理信息 时用水量预测目的等。但由于短期负荷随时间的变 一般不能将输入信息空间维数简化，所以当输入信 化规律复杂，且在短期负荷预测中存在着大量的不