支持向量机在短期负荷预测中的应用概况

被引：54

作者：

王奔

冷北雪

张喜海

单翀皞

从振

机构：

[1] 西南交通大学电气工程学院

来源：

电力系统及其自动化学报 | 2011年 / 23卷 / 04期

关键词：

支持向量机; 人工神经网络; 短期负荷预测; 数据预处理; 核函数; 参数优化; 混合预测方法;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

摘要：

全面总结了支持向量机(SVM)在短期负荷预测中的应用概况,并从SVM的原理出发,对比人工神经网络方法,从本质上阐述了SVM方法在短期负荷预测中应用的优越性。同时针对SVM在应用中存在的问题,包括数据预处理、核函数构造及选取和参数优化的方法,做出分析,并归纳了现行的解决方法。从SVM算法用于负荷预测的机理及提高预测精度和速度的角度,对于一系列SVM的改进方法,全面地进行了归纳,并提出需进一步探讨的关键问题。最后对基于SVM的短期负荷预测所需注意的关键问题做出总结,并提出建议。

引用

页码：115 / 121

页数：7

共 37 条

[1]

相空间重构与支持向量机结合的短期负荷预测研究.[D].郑永康.西南交通大学.2008, 12

[2]

支持向量机在电力系统短期负荷预测中的应用及改进.[D].李云飞.西南交通大学.2006, 04

[3]

最小二乘支持向量机短期负荷预测研究.[D].杨毅强.四川大学.2006, 03

[4]

支持向量机在电力系统短期负荷预测中的应用.[D].关颖.天津大学.2006, 05

[5]

基于支持向量机的电力系统短期负荷预测研究.[D].张红梅.河海大学.2006, 06

[6]

Weighted least squares support vector machines: robustness and sparse approximation.[J].J.A.K. Suykens;J. De Brabanter;L. Lukas;J. Vandewalle.Neurocomputing.2002, 1

[7] New support vector algorithms [J].

Schölkopf, B ;

Smola, AJ ;

Williamson, RC ;

Bartlett, PL .

NEURAL COMPUTATION, 2000, 12 (05) :1207-1245

[8]

电力系统负荷预测.[M].康重庆; 夏清; 刘梅; 编著.中国电力出版社.2007,

[9]

A practicalguide to support vector classification..Chih Weihsu;Chih Chungchang;Chih Jenlin;.http://www.csie.ntu.edu.tw/-cjlin/papers/guide/guide.pdf.2010,

[10] 基于蚁群支持向量机的短期负荷预测 [J].

魏俊 ;

周步祥 ;

林楠 ;

邢义 .

电力系统保护与控制, 2009, 37 (04) :36-40

← 1 2 3 4 →