|
|
|
| 基于支持向量机相关性分析的波浪能发电电力负荷预测 |
| 林子黄薏辰张扬刘诚杨俊清 |
| 国网江西省电力有限公司电力科学研究院国网江西省电力有限公司建设分公司国网江西省电力有限公司信息通信分公司南昌大学信息工程学院 |
|
|
|
|
摘要 以支持向量机的相关分析为基础,对波浪能发电负荷预测进行了研究。基于电力负荷值和电流值的电力负荷预测对于发电站而言非常重要。本文讨论了基于支持向量机方法的不同负荷预测中需要考虑的环境因素,并建立了负荷预测的详细过程。实证分析表明,基于支持向量机的负荷预测方法在短期负荷预测中具有良好的应用效果,具有预测误差小,精度较高的特点。实验结果表明,本文所提出的支持向量机算法能显著提高电力负荷预测的整体性能。
|
|
| 关键词 ：
电源负荷预测,
波浪能发电,
相关性分析,
支持向量机
|
|
|
| 基金资助:国家自然科学基金资助项目(51367014)； 江西省自然科学基金资助项目(2018BAB211019)； |
| [1] |
董晓睿饶泓崔浩赵光秋万爱辉. 一种启发式的支持向量机多分类层次树结构构造方法[J]. 南昌大学学报（理科版）, 2019, 43(3): 296-. |
| [2] |
郑超英叶贝鸽刘萍邱桃荣. 一种基于核主成分分析的驾驶疲劳状态预测方法[J]. 南昌大学学报（理科版）, 2019, 43(2): 182-. |
| [3] |
李芬余宇婷肖建. 基于粗糙集模型的霾与气象要素相关性分析[J]. 南昌大学学报（理科版）, 2019, 43(2): 187-. |
| [4] |
车小磊李向军沈华吴青松李子健唐丽君. 一种基于局部核校准的核评估标准[J]. 南昌大学学报（理科版）, 2018, 42(3): 300-. |
| [5] |
段文影饶泓段隆振马海亮. 基于IA参数寻优组合核的SVM文本分类研究[J]. 南昌大学学报（理科版）, 2018, 42(3): 289-. |
| [6] |
陈铭钧陶凌李富贵刘九畅. HHT在白细胞亚群分类算法中的应用[J]. 南昌大学学报（理科版）, 2018, 42(1): 72-. |
| [7] |
熊春霖. 2型糖尿病视网膜病变与震动感觉阈值的相关性分析[J]. 实用临床医学, 2016, 17(07): 4-. |
| [8] |
赖清衷卫声熊鹏文黄嘉诚任倩茹. 基于BP神经网络与多分类支持向量机的水质识别与分类[J]. 南昌大学学报（理科版）, 2016, 40(06): 563-. |
| [9] |
郭伍斌； 马新； 刘翔； 赵向东； 丁亮； 黄恒. 血清瘦素水平及体质指数与乳腺癌发生的相关性研究[J]. 实用临床医学, 2016, 17(04): 18-. |
| [10] |
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型[J]. 南昌大学学报（理科版）, 2015, 39(04): 347-. |
| [11] |
沈渊彬； 刘庆珍； 李友军； 苏申. 基于模糊组合权重的BA-SVM短期负荷预测[J]. 南昌大学学报（工科版）, 2015, 37(03): 300-. |
| [12] |
陆荣秀；杨辉；欧阳超明；朱璐闻； . 基于PCA-LS_SVM的镨\钕萃取过程元素组分含量预测[J]. 南昌大学学报（理科版）, 2013, 37(06): 589-. |
| [13] |
梁声灼；谢文修；李芒； . 一种改进的1-v-1 SVM多类分类算法[J]. 南昌大学学报（理科版）, 2013, 37(03): 287-. |
| [14] |
姜海燕； 杜民. 基于最小二乘支持向量机的纳米金免疫层析试条快速定量[J]. 南昌大学学报（工科版）, 2012, 34(03): 283-. |
| [15] |
林苏斌； 陈为. 基于支持向量机的热电偶高频磁场环境测温误差校正[J]. 南昌大学学报（工科版）, 2012, 34(02): 183-. |
|
|
|
|
