基于KPCA-SVM模型的 电力负荷最大值短期预测方法

• 作者: 张永伟 潘巧波
• 来源期刊: 发电技术
• 关键词: 电力系统 负荷 核主成分分析(KPCA) 支持向量机(SVM) 预测模型
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 能源互联网
• 页码范围: 521-526
• 页数: 6页
• 语种: 中文
• DOI: 10.12096/j.2096-4528.pgt.19010

摘要

电力负荷最大值预测是电网企业调度工作的重要组成部分,其预测结果的准确度将对电能的配送、有效利用率、供电服务的质量以及电力系统的发展产生重要影响.以安徽某市81天的电力负荷最大值数据为基础,选取影响当天电力负荷最大值的10个因素,并采用核主成分分析(kernel principal component analysis,KPCA)算法将10维的影响因素降为5维,其累计贡献率可达93.70％.以降维后的5维数据为输入,以径向基函数为核函数,并采用交叉验证选择支持向量机(support vector machine,SVM)回归的最佳参数,随机选取54组数据训练SVM预测模型,最后进行27组数据的拟合预测,拟合预测的均方误差为0.0041,相关系数为0.9631.研究结果表明,应用KPCA结合的SVM预测模型对电力负荷最大值具有很好的预测能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘巧波		3	1	1.0	1.0
2	张永伟	安徽邮电职业技术学院通信工程系	2	1	1.0	1.0