文献类型：期刊文章

作　　者：吴倩红[1] 高军[2] 侯广松[2] 韩蓓[1] 汪可友[1] 李国杰[1]

机构地区：[1]电力传输与功率变换控制教育部重点实验室(上海交通大学),上海市200240 [2]国网山东省电力公司菏泽供电公司,山东省菏泽市274000

出　　处：《电力系统自动化》

基　　金：国家自然科学基金资助项目(51407116);国家科技支撑计划资助项目(2015BAA01B02)~~

年　　份：2016

卷　　号：40

期　　号：15

起止页码：67-72

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20163202699673)、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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。

关 键 词：大数据  多源异构特性  支持向量机(SVM)  负荷预测 并行化

分 类 号：TM715]