负荷预测|一种改进支持向量机的电力负荷预测方法研究（Matlab代码实现）

目录

1 概述

2 支持向量机算法

3 算例及运行结果

4 结论

5 参考文献

6 Matlab代码

---

1 概述

负荷预测是根据历史负荷数据情况对未来负荷作出的一种预测或估算， 是电力系统规划和运行极

为重要的组成部分， 也是电力系统领域亟须研究的问题［１］ 。电力负荷预测是电力部门的重要工作，给电网扩展、 电力调度等方面提供重要决策依据。随着智能电网的深入发展， 用电需求越来越多， 比如电动汽车、 分布式发电机等的接入， 增加了智能电网用电侧的不稳定性， 这会带来电力系统的波动， 造成电力负荷的不确定性；同时， 电力负荷也受到气象因素 （温度、 湿度等）、 节假日、 工业区域条件、 无估计事件以及管理和政策上的影响， 这些无疑增加了负荷预测的难度。因此， 采取适当的预测技术， 科学准确地预测电力负荷发展趋势， 有着十分重要的意义。

基于现有的电力负荷预测方法提高电力负荷预测的准确性，提出了一种基于支持向量机（SVM）的电力负荷预测模型。首先分析支持向量机的理论基础，通过建立支持向量机预测模型，将经过预处理的真实电力数据输入该模型进行学习预测，借助均方根误差（RMSE）、平均绝对百分比误差（MAPE）以及预测图表对模型预测性能进行验证分析。实验结果表明，SVM预测模型能够较为准确地对电力负荷预测进行刻画。

2 支持向量机算法

以上便是基本线性可分情况下的SVM模型的基本思想。而对于回归模型部分而言，优化目标函数部分与分类模型是一致的，但是区别在于约束条件有所不同。回归模型的目的是为了让训练集样本中的所有样本点都尽可能地拟合到同一个线性模型之上。

更多详细讲解见第4部分。

 3 算例及运行结果

 

 

 

% 清空环境变量close all;clear all;clc;format compact;%% 数据的提取和预处理data=xlsread('数据');ts =  data((1:320),1);%训练集输出tsx = data((1:320),2:end);%训练集输入tts=data((321:end),1);%预测集输出ttx= data((321:end),2:end);%预测集输入% 数据预处理,将原始数据进行归一化ts = ts';tsx = tsx';tts=tts';ttx=ttx';​% mapminmax为matlab自带的映射函数  % 对ts进行归一化[TS,TSps] = mapminmax(ts,-1,1);  %矢量归一化[TTS,TTSps]= mapminmax(tts,-1,1);TS = TS';TTS=TTS';

4 结论

对图 1 及表 1 中的结果进行分析，可以发现：

(1)SVM 模型可以较好地对电力负荷进行预测，结果能比较准确地刻画出电力负荷在一定时间内的变化趋势。 

(2)对于特定时段的电力负荷的峰值变化难以把握， 模型在预测峰值负荷的时候往往趋于平稳，导致对极端情况 下的电力负荷预测准确性不高。因为在实际用电环境下，电力负荷往往不不仅仅只与时间有一定关系，还有大量其他因子会影响电力负荷。

 5 参考文献

[1]何闰丰,黄莺.一种改进支持向量机的电力负荷预测方法研究[J].红水河,2022,41(02):94-99.

[2]王诗涵,周法国.基于支持向量机的电网负荷预测[J].现代信息科技,2020,4(24):120-122.DOI:10.19850/j.cnki.2096-4706.2020.24.032.

6 Matlab代码