摘 要：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。
关键词：机器学习；电力负荷；支持向量机
中图分类号：TP273.4 文献标识码：A 文章编号：2096-4706（2020）24-0120-03
Load Forecasting of Power Grid Based on Support Vector Machine
WANG Shihan，ZHOU Faguo
（School of Mechanical Electronic & Information Engineering，China University of Mining and Technology-Beijing，Beijing 100083，China）
Abstract：Based on the existing power load forecasting methods to improve the accuracy of power load forecasting，a power load forecasting model based on support vector machine（SVM）is proposed. First，analyze the theoretical basis of support vector machines，and by establishing a support vector machine prediction model，input the pre-processed real power data into the model for learning prediction. The prediction performance of the model is verified and analyzed with the help of root mean square error（RMSE），mean absolute percentage error（MAPE）and prediction chart. The experimental results show that the SVM prediction model can describe the power load forecast more accurately.
Keywords：machine learning；electric load；support vector machine
参考文献：
[1] 韩禹. 非侵入式低压电力负荷构成识别与聚合建模的研究及应用 [D]. 镇江：江苏大学，2020.
[2] 鞠平，郭德正，曹路，等. 含主动负荷的综合电力负荷建模研究综述与展望 [J]. 河海大学学报（自然科学版），2020，48（4）：367-376.
[3] 林洪桦. 测量误差分析及数据处理若干要点系列论文（四）——统计学习理论及支持向量机方法统用于形位误差评定 [J]. 自动化与信息工程，2020，41（4）：1-5.
[4] 陈卫东，梁朔，肖园园，等. 基于模糊最小二乘支持向量机的微电网群状态评估方法 [J]. 电力系统自动化，2019，43（2）：76-82.
[5] 姜涛，王长江，陈厚合，等. 基于正则化投影孪生支持向量机的电力系统暂态稳定评估 [J]. 电力系统自动化，2019，43（1）：141-148.
[6] 胡天宇，郭庆来，孙宏斌. 基于堆叠去相关自编码器和支持向量机的窃电检测 [J]. 电力系统自动化，2019，43（1）：119-125.
作者简介：
王诗涵（1996—），男，汉族，广东中山人，硕士研究生在读，研究方向：计算机应用技术；
周法国（1976—），男，汉族，山东聊城人，副教授，博士，研究方向：数据挖掘、人工智能等。