共 20 条
- [1] 基于统计学习理论的多核预测模型研究及应用.[D].邵喜高.中南大学.2013, 03
- [2] 支持向量机的核选择.[D].罗林开.厦门大学.2007, 07
实现影响因素多源异构融合的短期负荷预测支持向量机算法
被引：94
作者：
吴倩红
[1
]
高军
[2
]
侯广松
[2
]
韩蓓
[1
]
汪可友
[1
]
李国杰
[1
]
机构：
[1] 电力传输与功率变换控制教育部重点实验室(上海交通大学)
[2] 国网山东省电力公司菏泽供电公司
来源：
关键词：
大数据;
多源异构特性;
支持向量机(SVM);
负荷预测;
并行化;
D O I：
暂无
中图分类号：
TM715 [电力系统规划];
学科分类号：
摘要：
针对智能电网大数据环境下,导致电力系统负荷波动的诸多因素存在多源异构性的问题,利用多核函数来对其多源异构特性进行差异化处理和融合,能够描述影响因素的内在分布特性并应对其变化,提高负荷预测精度。选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9个属性作为多源异构影响因素,利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成,采用双层多核学习算法,建立了并行化多核支持向量机(SVM)负荷预测算法流程,并在Hadoop集群上进行了仿真验证。仿真结果表明,多核SVM比单核SVM预测平均相对误差小,双层多核学习、基于lp范数的多核SVM模型预测精度最高。因此,多核SVM能有效处理负荷预测中的多源异构数据,经并行化处理后,能提高负荷预测的速度与精度。
引用
收藏
页码：67 / 72+92
+92
页数：7
相关论文