基于支撑向量机的电力系统峰负荷预测

被引：4

作者：

张平康

王蒙

赵登福

张讲社

机构：

[1] 西安交通大学经济与金融学院

[2] 西北电网有限公司调度通信中心

[3] 西安交通大学电气工程学院

[4] 西安交通大学理学院

来源：

西安交通大学学报 | 2005年 / 04期

关键词：

峰负荷预测; 支撑向量机; 核函数; 交叉有效性验证;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

摘要：

将支撑向量机（SVM）方法用于电力系统峰负荷预测,它具有精度高、全局最优等显著特点.为了确定SVM中直接影响其推广能力的超参数,与一般采用的试凑法不同,提出了利用交叉有效性验证方法确定这些参数.另外,在样本的输入信息中,除负荷变量外,还根据峰负荷预测的特点,加入了对峰负荷预测影响较大的温度变量、星期类型及节假日信息,以提高预测精度.实际算例表明,在相同的负荷及气象数据的前提下,该方法的预测精度比神经网络方法提高了0 4%0 8%.

引用

页码：398 / 401

页数：4

共 9 条

[1]

Short run forecasts of electricity loads and peaks. Ramanathan R,Engle R,Granger C W J,et al. International Journal of Forecasting . 1997

[2]

Forecasting loads and prices in competitive power markets. Bunn D W. Proceeding of the IEEE . 2000

[3]

ANNSTLF-A neural-network-based electric load forecasting system. Khotanzad A,Afkhami-Rohani R,Lu T L,et al. IEEE Transactions on Neural Networks . 1997

[4]

Neural networks for short-term load forecasting: a review and evaluation. Hippert H S,Pedreira C E,Souza R C. IEEE Transactions on Power Systems . 2001

[5]

Optimal fuzzy inference for short-term load forecasting. Mori H,Kobayashi H. IEEE Transactions on Power Systems . 1996

[6]

A generalized knowledge-based short-term load-forecasting technique. Rahman S,Hazim O. IEEE Transactions on Power Systems . 1993

[7]

ANNSTLF- artificial neural network short-term load forecaster generation three. Khotanzad A,Afkhami-Rohani R,Maratukulam D J. IEEE Transactions on Power Systems . 1998

[8]

Improvements to SMO algorithm for SVM regression. Shevade S K,Keerthi S S,Bhattacharyya C,et al. IEEE ACM Transactions on Networking . 2000

[9]

Improvements to SMO algorithm for SVM regression. Shevade S K,Keerthi S S,Bhattacharyya C,et al. IEEE ACM Transactions on Networking . 2000

← 1 →