【精彩论文】基于支持向量机和互联网信息修正的空间负荷预测方法

观点凝练

摘要：为提高电网规划阶段的空间负荷预测精度，提出了一种基于支持向量机和互联网信息修正的空间负荷预测(spatial load forecasting，SLF)方法，该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值；二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差；三是针对这些偏差，利用搜索引擎获取互联网信息，识别造成偏差的不确定事件，包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响，并建立这两类事件与其造成的影响之间的分类事件影响定量模型，基于该模型对地块负荷初始预测值进行修正，得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证，结果表明该方法可以提高预测精度，可用于配电网以及能源互联网规划中的空间负荷预测。
摘要：本文首先基于k-均值聚类分析和支持向量机对规划区域内的地块进行空间负荷预测，并利用互联网信息，识别可能造成预测偏差的事件，包括元胞中新增负荷事件和企业营收增长率突变事件，建立这两类事件与其造成的影响之间的分类事件影响定量模型，最终建立考虑互联网信息修正的SLF方法，并进行算例验证，结果表明该方法可以提高预测精度。通过该方法进行负荷预测修正的效果很大程度上取决于是否能够识别并通过互联网获取影响负荷预测结果的事件，通过人工获取互联网信息的工作量较大，如果能够结合互联网智能搜索技术，则能够提高该方法的实际应用程度。另外，由于本文方法的应用效果依赖于互联网信息的质量，对于预测年的互联网信息未知或滞后以及错误信息可能导致预测误差增大的情况，本文未加以考虑，需要在后续的工作中进一步加强研究。

引文信息

郭艳飞, 程林, 李洪涛, 等. 基于支持向量机和互联网信息修正的空间负荷预测方法[J]. 中国电力, 2019, 52(4): 80-88.GUO Yanfei, CHENG Lin, LI Hongtao, et al. Spatial load forecasting method based on support vector machine and internet information correction[J]. Electric Power, 2019, 52(4): 80-88.

 往期回顾 

编辑：杨彪

审核：许晓艳‍

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。