鞠平主编，建模权威资料 就电力系统负荷建模的有关问题进行了系统的分析讨论，详细阐述了负 荷建模的有关理论、方法和技术，并结合实例进行了具体的示例和应用。全书共 分七章，包括：绪论、电力负荷建模基础、电力负荷建模方法、电力负荷基本成 分的特性与模型、电力负荷的静态模型、电力负荷的机理动态模型、电力负荷的 非机理动态模型。 本书可供从事电力系统设计、运行和分析等方面工作的工程技术人员以及高 等院校电力专业的研究生和教师阅读。

数据挖掘在电力系统负荷预测中的应用.pdf

使用多种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）进行电力系统负荷预测/电力预测。通过一个简单的例子。各种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）用于电力系统负荷预测/电力预测。 SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题.简单地说，就是升维和线性化.升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起"维数灾难"，因而人们很少问津.但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分(或回归).一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题:应用核函数的展开定理，就不需要知道非线性映射的显式表达式;由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了"维数灾难".这一切要归功于核函数的展开和计算理论.

电力系统负荷预测MATLAB程序，一个实例，很常用的程序

负荷预测基于最小二乘支持向量机lssvm，自己写的，原始数据也是自己的

用Bp进行优化，减小误差，来进行电力系统的负荷变化

电力系统负荷及价格预测专业MATLAB程序，包含对北美电力市场的电力数据进行的一系列数据挖掘工作，程序代码实用，注释详细，包含多种预测算法，极具学习价值！ Electricity Load and Price Forecasting with MATLAB® Step 1: Access Historical Data Interactively import, visualize and explore data Auto-generate MATLAB codeStep 2: Select & Calibrate Model Leverage numerous built-in functions Focus on modeling not programming Capture as-you-go and automate the processStep3: Run Model Live Royalty-free deployment Point-and-clickworkflow

负荷预测算法 使用多种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）进行电力系统负荷预测/电力预测。通过一个简单的例子。各种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）用于电力系统负荷预测/电力预测。

以matlab开发工具，将负荷参数和气象数据经过LSTM递归神经网络训练，预测了未来10天的符合参数，属于LSTM多步预测，最后与实际只进行了比较，得到了均方根和比较图

利用MATLAB开发的电力系统节点预测程序，包含对北美电力市场的电力数据进行的一系列数据挖掘工作，程序代码实用，注释详细，包含多种预测算法，极具学习价值！