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
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
收藏
页码:115 / 121
页数:7
相关论文
共 37 条
[31]   基于FCM聚类与SVM的电力系统短期负荷预测 [J].
李林峰 ;
孙长银 .
江苏电机工程, 2007, (03) :47-50
[32]   基于支持向量机的短期负荷预测的方法改进 [J].
李云飞 ;
黄彦全 ;
蒋功连 .
西华大学学报(自然科学版), 2007, (02) :31-34+94
[33]   基于时间序列的电力负荷预测新算法研究 [J].
张林 ;
罗晓初 ;
徐瑞林 ;
赵理 .
电网技术, 2006, (S2) :595-599
[34]   基于负荷规律性分析的支持向量机短期负荷预测方法 [J].
庞松岭 ;
穆钢 ;
王修权 ;
金鹏 ;
马俊国 .
东北电力大学学报, 2006, (04) :1-6
[35]   基于支持向量机混合模型的短期负荷预测方法 [J].
胡国胜 ;
任震 .
高电压技术, 2006, (04) :101-103
[36]   基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测 [J].
姜惠兰 ;
刘晓津 ;
关颖 ;
王梦宾 .
电网技术, 2006, (08) :81-85
[37]   基于粗糙集属性约简算法和支持向量机的短期负荷预测 [J].
张庆宝 ;
程浩忠 ;
刘青山 ;
郑季伟 ;
倪东海 .
电网技术, 2006, (08) :56-59+70