【摘要】电力负荷预测的准确性对电力系统安全运行和经济建设有着越来越显著的作用。本文提出一种基于支持向量机的电力系统短期负荷预测方法，将 SVM 引入短期负荷预测，通过不断输入新的负荷数据来更新回归函数，以获得更快的计算速度和较好的预测精度，以佛山地区的负荷数据，结果证明了该方法预测速度快，并且能提高电力负荷的预测精度。

【关键词】电力系统;无功优化;潮流计算;简化梯度法

1.引言

电力系统负荷预测是一项重要的基础性工作，是电力系统规划的核心问题之一，是制定发电计划和输电方案的主要依据。长期以来，在这一领域出现了多种负荷预测方法，主要可分为以时间序列为主的传统方法和以神经网络为主的机器学习方法。传统方法具有运算简单，运行速度快等优点，但是由于模型简单，在电力发展的过程中难以模拟日益复杂的负荷;而机器学习方法有着强大的统计理论依据，在大规模信息处理和学习能力取得了较大进展，但其模型较为复杂，网络结构难以确定，收敛速度较慢，得到的最终解过于依赖初值。20世纪90年代中期，Vapnik 等人在扎实的统计理论基础上提出了一种基于结构风险最小化原则（Structural Risk Minimization， SRM）的新型机器学习算法——支持向量机（Support Vector Machines，简称SVM）方法。它的核心问题是寻找一种归纳原则以实现最小化风险泛函，从而得到最佳的推广。支持向量机方法解决了两个难题：（1）在分析过程中应用核函数的展开定理， 所以不需要核函数的完整表达式;（2）在高维特征空间中用线性回归的方法来进行预测，几乎不增加计算的复杂性，这也就避免了很多人担心升维过程可能出现的维数灾。……