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

作者：吴倩红; 高军; 侯广松; 韩蓓; 汪可友; 李国杰

来源：电力系统自动化, 2016, 40(15): 67-92.

• 大数据
• 多源异构特性
• 支持向量机(SVM)
• 负荷预测
• 并行化

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。

• 出版日期2016
• 单位上海交通大学; 电力传输与功率变换控制教育部重点实验室; 国网山东省电力公司菏泽供电公司