基于支持向量回归的长期电路负载预测

张辉

（山西杏花村汾酒集团有限责任公司，山西吕梁032205）

长期预测的时间跨度是几周到几年之间。例如，电力系统的规划、新发电能力的建设计划和发电机组的购买，时间范围通常被设定为5年、10年、20年［1］。在这么长的规划期内，其实很难准确预测负荷需求，因为有很多影响负荷的因素通过直接或间接方式对基本预测过程产生影响。而且，所有的因素都是不确定和不可控的。因此，任何LTLF在本质上都是不准确的［2］。在过去的几十年中，许多方法被应用于提高LTLF的准确性。通常这些方法都不能处理负荷和影响负荷的因素之间的非线性或随机关系。

本文提出了针对我国境内五年负荷预测的SVR。并且，本文还加入了经济因素—GDP，而不是仅仅采用负荷的历史数据。值得注意的是，总负荷消耗量是衡量经济增长的关键指标，尤其是从全球经济衰退中复苏的指标。我们将重点放在负荷和GDP之间的关系上，并讨论这种关系对我国预期经济增长的影响，以提供建议。此外，它不需要收集大量的历史数据用于SVR的学习。因此，通过SVR，在数据有限的情况下，很容易实现LTLF。

1 支持向量回归

Vapnik提出的支持向量机（Support vector machines，SVMs）是克服上述ANNs缺点的重要发展之一。它不是通过实现经验风险最小化（ERM）原则以最小化训练误差，SVMs应用结构风险最小化（SRM）原则以最大限度地减少广义误差的上限。特别是随着Vapnik的ε－不敏感损失函数的引入，SVM也被扩展到解决非线性再回归估计问题，即所谓的支持向量回归（SVR）。

1．2 SVR 功能