文献类型：期刊文章

作　　者：李元诚[1] 方廷健[2] 于尔铿[3]

机构地区：[1]中国科学技术大学自动化系,安徽合肥230026 [2]中国科学院智能机械研究所,安徽合肥230031 [3]中国电力科学研究院,北京100085

出　　处：《中国电机工程学报》

年　　份：2003

卷　　号：23

期　　号：6

起止页码：55-59

语　　种：中文

收录情况：AJ、BDHX、BDHX2000、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM),与采用经验风险最小化原则(ERM)的传统神经网络方法相比,具有更好的泛化性能和精度,减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础,它的训练等价于解决一个二次规划问题。为了提高负荷预测精度,文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验,结果证明了其在短期负荷预测中的有效性。

关 键 词：短期负荷预测 支持向量机 电力系统 神经网络 人工智能

分 类 号：TM715] TP18]