电力自动化设备
電力自動化設備
전력자동화설비
ELECTRIC POWER AUTOMATION EQUIPMENT
2005年
7期
41-43
,共3页
短期负荷预测%支持向量机%核函数%隶属度函数
短期負荷預測%支持嚮量機%覈函數%隸屬度函數
단기부하예측%지지향량궤%핵함수%대속도함수
考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法.首先选取预测目前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本,然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集,拟合负荷和影响因素之间的非线性关系.对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练.算例数据包括每天的气象数据和24点负荷数据,以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效.
攷慮氣象因素對負荷的影響,提齣瞭一種模糊支持嚮量機SVM(Support Vector Machine)的短期負荷預測方法.首先選取預測目前4星期中差異評價函數小于給定經驗值的已知日作為相似日學習樣本,然後利用隸屬度函數對影響負荷特徵因素嚮量的分量進行模糊處理,得到SVM的訓練樣本集,擬閤負荷和影響因素之間的非線性關繫.對24點每點建立一箇SVM預測模型,採用改進的序列極小優化算法實現對SVM的快速訓練.算例數據包括每天的氣象數據和24點負荷數據,以最大相對誤差和平均誤差評價預測結果,錶明所提方法簡便快速且實用有效.
고필기상인소대부하적영향,제출료일충모호지지향량궤SVM(Support Vector Machine)적단기부하예측방법.수선선취예측목전4성기중차이평개함수소우급정경험치적이지일작위상사일학습양본,연후이용대속도함수대영향부하특정인소향량적분량진행모호처리,득도SVM적훈련양본집,의합부하화영향인소지간적비선성관계.대24점매점건립일개SVM예측모형,채용개진적서렬겁소우화산법실현대SVM적쾌속훈련.산례수거포괄매천적기상수거화24점부하수거,이최대상대오차화평균오차평개예측결과,표명소제방법간편쾌속차실용유효.
