研究与开发
基于支持向量机的负荷预测分析
刘起铭, 加玛力汗?库马什, 华东, 李鹏飞
新疆大学电气工程学院, 乌鲁木齐 830047
Load Forecasting Based on Support Vector Machine Analysis
Liu Qiming, Jiamalihan?Kumashi, Hua Dong, Li Pengfei
Electrical Engineering Institute of Xinjiang University, Urumqi 830047
摘要 支持向量机(简称SVM)作为新的负荷预测方法在解决小样本、非线性、过学习问题等方面有很好的优势, 结合目前新疆地区负荷增长快、负荷变化非线性强的状况可以考虑将其运用至实际工作中以提高预测精度, 本文采取新疆某地区实际电网数据以支持向量机预测法进行预测, 通过预测结果分析证明其有效性和可行性, 体现此方法的实际应用价值。
关键词 ：
负荷预测 ,
支持向量机 ,
新疆地区
Abstract ：Support Vector Machine to solve the small sample, nonlinear, and had learning problems have a good advantage, combined with the Xinjiang region of fast load growth, changes in non-linear load conditions can be considered as a new load forecasting method applied to the practical work to improve the prediction accuracy, this article take the Xinjiang some practical power network data in support vector machine SVM prediction method to predict, by analysis of forecasting results prove the validity and feasibility of this method, embodies the practical application value.
Key words ：
Load forecasting
support vector machine
Xinjiang region
基金资助: 新疆维吾尔自治区高校科研计划重点项目(XJEDU2010I16)新疆大学校级和新疆维吾尔自治区《电力系统分析》精品课程的建设资助项目新疆少数民族大学生的就业与工科教育改革研究－新疆大学21世纪高等教育教学改革工程二期项目(XJU2008JGT21)
作者简介 : 刘起铭(1989 -), 男, 新疆大学本科生, 研究方向：电力系统稳定与控制。
引用本文:
刘起铭, 加玛力汗?库马什, 华东, 李鹏飞. 基于支持向量机的负荷预测分析[J]. 电气技术, 2013, 14(5): 37-39.
Liu Qiming, Jiamalihan?Kumashi, Hua Dong, Li Pengfei. Load Forecasting Based on Support Vector Machine Analysis. Electrical Engineering, 2013, 14(5): 37-39.
链接本文:
http://dqjs.cesmedia.cn/CN/Y2013/V14/I5/37
[1] 吕佳良.长春市电力市场负荷预测研究[D].北京:华北电力大学硕士学位论文, 2008.6:6-7.
[1]
潘文虎, 夏友斌, 宋铭敏, 苏志朋, 赵倩. 基于累积平均气温模型的气象负荷预测
[2]
夏书悦, 董心怡. 基于经验模态分解法优化支持向量机模型的日前风电功率组合预测
[3]
李程, 李强, 张启超, 刘子瑞, 李伟. 基于支持向量机递归特征消除的电缆局部放电特征寻优
[4]
张朴, 孟令云, 李宝旭. 基于支持向量机的高速铁路列车晚点演化预测
[5]
王春蘅, 韩笑, 罗维真. 基于负荷预测的配电台区三相不平衡治理研究
[6]
宋学伟, 刘天羽, 江秀臣, 盛戈皞, 刘玉瑶. 基于改进鱼群算法与最小二乘支持向量机的短期负荷预测
[7]
孙志鹏, 崔青, 张志磊, 王涛, 张天伟. 多分类支持向量机在电力变压器故障诊断中的应用
[8]
曹军, 李林, 毕锐, 陶维青. 基于高速窄带载波的双预测交流充电桩智能有序充电系统
[9]
杜挺, 赵寿生, 李永祺, 陈丽丹. 基于Matlab GUI的电力负荷预测软件开发与应用
[10]
李汉巨. 考虑气象因素累积效应的电力系统96点日负荷预测方法
[11]
张君琦, 杨帆, 郭谋发. 配电网高阻接地故障时频特征SVM分类识别方法
[12]
姜雲腾, 李萍. 基于改进粒子群神经网络短期负荷预测
[13]
林天祥, 张宁, 胡军. 基于优化权重的卡尔曼滤波与无偏灰色组合模型的短期负荷预测
[14]
龚赵慧, 林天祥. 基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型
[15]
韩富尧, 刘亚伟. 基于计量经济-灰色理论的多变量电力负荷预测方法
2013, Vol. 14 
