基于 SVM 的“弹性系数-投入产出”电力需求预测分析模型
电力负荷预测的支持向量机模型设计
电力负荷预测的支持向量机模型设计随着电力行业的快速发展，电力负荷预测成为一个重要的问题。
正确的电力负荷预测可以使电力公司更好地规划电力供应，降低运营成本，提高电力供应的可靠性。
而电力负荷预测的精度和效率则取决于所使用的预测模型。
支持向量机（Support Vector Machine, SVM）是一种基于统计学习理论的机器学习算法。
它通过寻找一个最优超平面，将不同类别的数据点分隔开来。
在电力负荷预测中，SVM可以通过对历史负荷数据的建模，来预测未来的电力负荷。
首先，我们需要收集历史负荷数据。
这些数据可以包括过去一年或几年的电力负荷数据。
然后，我们需要对这些数据进行预处理，包括数据清洗、归一化和特征提取。
数据清洗是指对数据中存在的缺失值、异常值进行处理，使数据的质量更好。
归一化是指将数据进行缩放，使它们所代表的量级相似。
特征提取是指从原始数据中提取出能够表达数据特征的信息。
接下来，我们可以使用SVM算法对历史负荷数据进行建模，以获得负荷预测模型。
在使用SVM算法进行建模时，我们需要确定一些参数，包括核函数、惩罚因子以及松弛变量等。
核函数可以将数据从原始空间映射到高维空间，从而更好地刻画数据的特征。
惩罚因子可以控制模型的复杂度，防止过拟合。
松弛变量则可以处理数据的噪声和异常值。
在使用SVM模型进行负荷预测时，我们需要将预测时间点所对应的历史负荷数据输入到SVM模型中，以获得对未来负荷的预测。
同时，我们也可以通过调整模型参数和特征提取方法，来提高预测精度。
除了SVM模型外，还有一些其他常用的电力负荷预测算法，包括ARIMA、BP神经网络等。
在选择合适的预测算法时，我们需要综合考虑算法的精度、计算效率、可靠性等方面的因素。
总之，电力负荷预测是电力行业中重要的问题，支持向量机作为一种强大的机器学习算法，可以为负荷预测提供有效的支持。
在实际应用中，我们需要根据具体的问题，选择合适的预测算法和建模方法，以提高预测精度和效率。
基于SVM的预测模型研究
基于SVM的预测模型研究在现代数据分析和机器学习领域中，SVM（支持向量机）是一种广泛使用的分类器和回归模型。
它的优点包括高效性、高精度和可扩展性。
SVM可以通过寻找最佳分割超平面，将数据分为不同的类别，从而可用于预测和分类。
本篇文章将探讨基于SVM的预测模型研究方面的相关内容。
文章将从以下几个方面进行探讨：一、什么是SVMSVM是一种监督学习算法，最初由Vapnik和Cortes于1995年提出。
其目标是通过划分最佳超平面来对数据进行分类。
在追求最佳分割超平面的同时，SVM 还考虑到了数据点与超平面的间隔距离，以此调整分类边界线。
二、SVM的基本理论我们常使用的线性二分类SVM模型可用以下数学公式描述：min 1/2 * w^T w + C * sum(y_i (w^T * x_i + b) - 1)s.t. y_i (w^T * x_i + b) - 1 >= 0其中，w 和 b 是 SVM 的参数，y_i 属于 ±1， C 是一个调整因子，x_i 是数据点的属性向量。
这个公式的公约数部分表示了权重向量的大小，前方的公式是SVM 的损失函数，指明数据点与分割线或超平面的距离。
三、SVM的优点优点一：在高维空间中，SVM的性能往往比其它算法的性能更好；优点二：在处理小样本数据时，SVM的表现相对于其它算法比较稳定；优点三：当噪声较小的情况下，SVM表现良好。
四、SVM的预测模型研究SVM不仅适用于分类问题，还适用于回归问题。
然而，回归问题所涉及的数学方程明显要复杂得多。
支持向量回归（SVR）是一种可用于解决回归问题的相关技术。
和分类不同，SVR试图找到一个能容纳尽可能多样本点的超平面。
同样是使用限制条件和一个在目标和预测值之间的损失函数这样的约束，只不过这里的损失函数可以是线性、支撑向量或其他形式的函数。
在实际建模中，经常需要使用一些技巧来引入特征或调整SVM模型以获得更好的预测性能。
基于SVM模型的中国电力需求预测
Ｉｗ・ ） ｂ Ｙ ＝ （ ＋ １ １
ｌ ‘）６ １ ｉ 一 （ ＋ 一 ｙ＝ １ ｗ
§Ｙ Ｘ）－］ ４ｂ ≥１
ｆ １ １
些 缺陷 ，如 训练 速 度慢 、易陷入 局 部极小 点 和全
局 搜 索能 力弱 等。支 持 向量 机 能够 在 有限样 本情 况 下 ，求得 全局 最优 解 ，且将 算 法 复杂 度保持 在 一个 合 适 的范 围 内。因此 ，本文 运 用支 持 向量机 方法 建 立 电力 供需 预 测的模 型 ， 未 来 的中 国电力 供 需形 对
势 进行 预 测 。
蒯 超 删 平
： 砸
２
，
根据 最优 分 类超平 面 的定义 ，则分 类 间隔为 ：
㈤ ＿ｉ ｂ） ｌ（ｂ ｍ １ ｝ ｎｏ】 ｎ ） ｍ 嘶 ｄ， ＿ｘ ， ｝
２
（） ７
１ 支持 向量机 （ Ｖ Ｓ Ｍ）的基本原 理及
其算法
１１ 支持 向量 机 （ ＶＭ）的 基本 原理 ． Ｓ
化 ， ： 【【 问 。 时 虑 可 存 ６ ｃ・的 题 同 考 到 能 在 ） ）） （
一
些样本 不 能被 超平 面正 确分 类 ，因此 引入松 驰变 ０ ｉ … ｋ， 当 分 类 出现 错 误 时 ， ，－ ， ＝１ ＞０，
量
收稿日期：２ １一１１ ０ ０Ｏ — １ 作者简介：刘 广迎 （９ ４一） １６ ，男 ，山东临沂人 ，高级经济师 ，硕士研 究生 ，研究 方向为技 术经济 ；李翔 （９ ９一） １４ ，男 ， 河北保定 人 ，教授 ，博 士研 究生 ，研究方向为技术经济。
（１ １ … ， ， ， Ｘ ∈Ｒ ， 一 ，１；超 平 ， ） （ Ｙ ） Ｙ ∈｛ ｌ ｝ Ｙ ， ＋
应用支持向量机模型(SVM)研究电网物资需求预测问题
应用支持向量机模型（SVM）研究电网物资需求预测问题【摘要】为满足电网建设项目物资需求，在现有企业资源计划（erp）系统完成上线并能够提供初步数据支持的基础上，针对如何依据电网建设项目里程碑计划中的基本工程建设指标，合理预测物资需求，是一个非常值得研究的问题。
本文采用支持向量机模型（svm）构建应用于电网建设项目的物资需求预测模型，并通优化算法对模型参数设置进行优化，从而提高预测模型的预测质量，经过省级电网建设项目物资需求历史数据测试，模型预测结果能够满足实际使用要求，可以有效解决电网建设项目物资需求预测的问题。
【关键词】电网建设；物资需求预测；支持向量机；优化算法一、引言电网建设项目所需的物资是电网企业物资需求的主体，其需求量的合理预测，对于加强物资计划和采购，提高物资计划及时性、准确性，节约物资成本具有重要意义。
以往由于物资需求预测所需支持数据缺乏，预测结果往往不佳，使用效果也不理想。
国家电网公司的企业资源计划（erp）系统已于2010年全面上线运行，为电网建设物资的需求预测提供了一个难得的数据平台，能够为物资需求预测提供初步的数据支撑。
使得利用系统数据资源，依据工程建设里程碑计划中的基本工程指标如电压等级、线路长度、变电容量等，构建合理有效的模型，进行物资需求预测成为可能。
二、模型的构建电网建设项目物资需求影响因素（如设计方案、工程实际情况等）复杂多变，所需物资的种类繁多，物资需求呈现明显的随机性和非线性特征，对于依据若干工程技术指标对工程项目的物资需求进行预测，结果的不确定性明显，预测难度较大。
然而支持向量机模型能够在此类预测问题中表现出较强的优势。
现有利用支持向量机技术进行复杂情形预测的理论应用研究有：鲍永胜和吴振升应用支持向量机对短期风速进行了预测计算[1]，沈梁玉和于欣针对夏季电力负荷采用支持向量机进行了预测分析[2]，祝金荣，何永秀和furong li结合混沌理论和支持向量机提出了一个新的电价预测模型[3]。
基于SVM的大工业用电量预测
基于Ｓ ＶＭ的大工业用 电量预 测
吴 毅 良
（ 广 东 电网有 限 责任 公司 江 门供 电局 ， 广东 江 门 ５ ２ ９ ０ ０ ０ ） ’
摘
要： 讨 论 了基 于 支 持 向量 机 预 测 电量 的模 型 及 其 构 建 过 程 ， 利 用 广 东省 电 网统 计 大 工 业 客 户 的逐 月 用 电量 总 目标 值 ， 使 用
式中， 为核 宽度参 数。 （ ３ ） Ｓ ｉ ｇ ｍｏ ｉ ｄ 核 函数 ：
）
寻找使风 险函数 最小的， １ ） ：
ｎ
１ ’一
为基础 ， 新发 展起来 的基于 结构风 险最 小化准 则的一 种机器 式 中，
ｍ ａ ｘ Ｑ （ 口 ， ｎ ． ） ＝ 一 ∑（ 一 ’ ） （ ｑ — ａ ｊ ） ・ 竹 ） ＋
二 ｉ， 』 １
ｉ ， Ｊ １
∑（ 啦 一 啦 ） ∞ 一 ∑（ ￣ － ｏ Ｄｓ
Байду номын сангаас
Ｌ Ｉ Ｂ Ｓ Ｖ Ｉ Ｖ ｌ 软件进 行 实 际预测 和验 证分 析 。着 重考 虑Ｇ Ｄ Ｐ 、 规 模 以上 总产 值 、 固定 资产 总 投资 、 进 出口额等 因素对 电量 的影 响 ， 确定 了一种 有 效 的 电量 使用 短 期预 测方 法 。用２ ０ １ ２ －２ ０ １ ５ 年 的逐 月 资料 进行 训练 建模 ， 用２ ０ １ ６ 年 的 资料做 效 果检验 ， 研 究 结果 证 明这 种方 法对 于 电
解决 这一 问题 ， 需要 引入 核函数 的概 念 。所谓 核函数 ， 就 是能 满足Ｍｅ ｒ ｃ ｅ ｒ 条件 ， 且在实 际应用 中能够 反映训练样本 数据 的分
一种基于SVM的电力行业物资需求预测方法
３ ． Ｋｕ ｎ ｍｉ ｎ ｇ ＮＸＳ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｃｏ ． ， Ｌ ｔ ｄ ， Ｋｕ ｎ ｍｉ ｎ ｇ ６ ５ ０ ０ ５ １ ）
Ａ ｂｓ ｔ ｒ ａ ｃ ｔ Ｔｈ ｅ ｍ ｅ ｔ ｈｏ ｄ ，ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｓ ＶＭ ， ａ ｋ ｉ ｎ ｄ ｏｆ ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ｐ ｏ ｗｅ ｒ ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙ ｍ ａ ｔ ｅ ｒ ｉ ａ ｌ ｄｅ ｍａ ｎ ｄ
ｅ ｉｃ ｆ ｉ ｅ ｎｃ ｙ ａ ｎｄ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ．Ｆｉ ｒ ｓ ｔ ｌ ｙ ，ｔ ｈ ｅ ｍｅ ｔ ｈｏ ｄ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ｈ ｉ ｓ ｔ ｏ ｒ ｉ ｃ ａ ｌ ｓ ａ ｍｐｌ ｅ ｄ ａ ｔ ａ ａ ｎｄ ｔ ｒ ａ ｎｓ ｌ ａ ｔ ｅ ｄ ｍａ ｔ ｅ ｒ ｉ ａ ｌ ｓ ｄ ｅ ｍａ ｎ ｄ ａ ｕ ｄｉ ｔ ｉ ｎ ｔ ｏ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｐｒ ｏ ｂｌ ｅ ｍ ． Ｓｅ ｃ ｏ ｎ ｄｌ ￣ ｉ ｔ ｎｅ ｅ ｄ ｐ ｒ ｅ ｐｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎｇ ｔ ｈｅ ｄ ａ ｔ ａ ， ｍａ ｋｉ ｎ ｇ ｉ ｔ
ｓ ｔ ａ ｎｄ ａ ｒ ｄ ｉ ｚ ａ ｔ ｉ ｏ ｎ ． Ｄｅ ｉｎ ｆ ｉ ｎｇ ａ ｎｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎｇ ｄ ｅ ｍａ ｎ ｄ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ｂ ｙ ｃ ｏ ｍｂ ｉ ｎ ｉ ｎｇ ｐｏ ｗｅ ｒ ｄ ｏ ｍａ ｉ ｎ ｋｎ ｏ ｗｌ ｅ ｄｇ ｅ ｂａ ｓ ｅ ． Ｆｉ ｎ ａ ｌ ｌ ｙ ， ｓ ｕｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏｒ ｍａ ｃ ｈ ｉ ｎ ｅ ，ｂ ｙ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｍｏ ｄ ｅ ｌ ，ｆ ｉｎ ｉ ｓ ｈｅ ｄ ｔ ｈｅ ａ ｕｄ ｉ ｔ ｗｏ ｒ ｋ ｏ ｎ ｔ ｙ ｐｅ ｓ ａ ｎｄ ａ ｍｏ ｕ ｎ ｔ ｓ
基于SVM的电力负荷预测研究
基于SVM的电力负荷预测研究电力负荷预测在能源领域具有重要的应用价值。
电力负荷预测可以帮助电力企业制定出合理的电力计划，调度电力生产和供应，优化电网的运行管理，提高电网的稳定性。
如何准确地预测电力负荷成为了电力领域的研究热点。
基于SVM的电力负荷预测是目前最有效的电力负荷预测方法之一。
一、SVM简介支持向量机(Support Vector Machine, SVM)是一种常用的机器学习算法。
SVM是一种基于统计学习理论的监督学习模型，其基本思想是将非线性分类问题转化为线性分类问题，并在最大限度上增加分类间隔，将输入空间划分为多个类别。
SVM的核心是寻找最佳的划分超平面，使得样本到这个超平面的间隔最大，从而得到最优的分类结果。
相比于其他分类算法，SVM具有较高的准确率和泛化能力，对于高维、非线性、小样本的数据具有良好的性能。
二、电力负荷预测相关研究电力负荷预测主要是通过对历史负荷数据进行分析和拟合，来预测未来一段时间内的负荷情况。
根据预测的时间跨度，可以将电力负荷预测分为短期、中期和长期预测。
目前，电力负荷预测的研究主要有基于数学统计方法、神经网络模型、支持向量机模型、遗传算法模型等。
三、基于SVM的电力负荷预测模型1、数据预处理在进行SVM建模之前，需要对原始数据进行预处理，包括数据清洗、数据采集、数据分析、数据归一化等。
数据归一化的目的是将数据转化为标准化的形式，避免各个数据对模型产生过大的影响。
2、特征提取特征提取是指从原始数据中提取能够反映相应特征的指标或特征集合。
电力负荷预测的特征主要包括历史负荷数据、天气、时间、节假日等。
3、模型建立根据前面分析的特征，可以建立基于SVM的电力负荷预测模型。
在模型中，需要给出SVM的核函数、惩罚参数、回归参数等。
根据具体问题的特点，可以使用不同的核函数和惩罚参数来进行模型训练和测试。
在模型的训练过程中，需要使用历史负荷数据作为训练集，比较不同参数下的模型性能，并选择最优的模型。
应用支持向量机模型(SVM)研究电网物资需求预测问题
、
引言
Ｅ Ｒ Ｐ 系 统 中 的 全 部物 资 需 用 数 据 记 录 ， 共 约 ４ ２ 万条 ，包括２ ２ ４ 种 物资小 类，涵盖１ ０ 干 伏 以上 级 输 变 电项 目、技 改项 目和 配 网项 目。按 照 项 目个 体对 原始数据进行整理和 分析，采 用数据 完整 、项 目代表性强 的数据样
电网建 设 项 目所 需的物 资 是 电网企 业物 资 需求 的主 体 ，其 需求 量 的合理 预测 ，对于加 强物 资计划和采购 ，提 高物资 计划 及 时性、准 确 性 ，节 约 物 资 成 本 具 有 重 要 意 义 。 以 往 由于 物 资 需 求 预 测 所 需 支 持 数 据 缺 乏 ， 预 测 结 果 往 往 不 佳 ，使 用 效 果 也 不 理 想 。 国家 电 网公 司 的 企 业资源 计 划 （ Ｅ Ｒ Ｐ ）系统 已于 ２ ０ １ Ｏ 年全 面上线 运行 ，为 电网建 设物 资的需求 预测提 供了一 个难得 的数据平 台 ，能够 为物 资需求预测 提供 初 步 的 数 据 支 撑 。 使 得 利 用 系 统 数 据 资 源 ， 依 据 工 程 建 设 里 程 碑 计 划 中 的 基 本 工 程 指 标 如 电压 等 级 、线 路 长 度 、 变 电 容 量 等 ， 构 建 合 理 有 效 的模型 ，进行物 资需求 预澳 ０ 成为 可能 。
支 持 向量 机 （ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ ｓ ， Ｓ Ｖ Ｍ ） 是 由Ｖ ａ ｐ ｎ ｉ ｋ 提 出
ｒ 一 ■ 一 一 氍
一 、 ～ ． 曩 ． 、 ＿ ｌ ｛
图 １ 控 制 电 缆 预 测 值 与 真 实 值 的 比 较 图
况 等 ）复 杂 多 变 ，所 需物 资 的种 类 繁 多 ，物 资 需求 呈 现 明显 的 随 机 性 和 非 线 性特 征 ，对 于 依 据 若 干 工 程技 术指 标 对 工 程 项 目的物 资 需 求进 行 预 测 ，结 果 的不 确 定 性 明 显 ， 预测 难 度 较 大 。 然 而支 持 向 量机 模 型 能够 在 此 类 预 测 问题 中 表现 出较 强 的 优 势 。 现 有利 研 究 有 ：鲍 永胜 和 吴 振 升 应用 支 持 向量 机 对 短 期 风 速 进 行 了预 测 计 算 …， 沈梁 玉 和 于 欣 针 对 夏 季 电 力 负 荷 采 用 支 持 向 量 机 进 行 了 预 测 分 析 ］ ，祝 金荣 ，何 永秀 ５ ￣Ｆ ｕ ｒ ｏ ｎ ｇ Ｌ ｉ 结合 混沌 理 论 和支 持 向量 机提 出了 一个 新 的 电价 预测 模 型 ＿ ３ ］ 。从 研 究结 果 看 ，面 对 毫 无 规 律 性 的风 速 预 测 、 复杂 的夏 季 电力 负 荷 以及 多 因素 影 响和 制 约 的 电价 ， 支持 向 量机 能够 取 得 较 好 的预 测 结 果 ， 那 么可 以期 望 该 预 测 方 法 也 能在 电 网建 设项 目的物 资 需求 预测 问题 中取得 较 好 的收 效和 预 期 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于 SVM 的“弹性系数-投入产出”电力需求预测分析模型董力通;谭显东;刘伟国;刘海波【摘要】Based on the fact that the demand of electricity must be reasonably forecast, which is an important basis to ensure the power grid planning and industrial development, in order to optimize industrial structure and promote energy conservation and emission reduction, there are many uncertain factors to change the medium and long-term electricity demand, considering the effects of multiple factors on the elastic coefficient of the electric power economic development, according to the input-output model, a forecasting model was constructed using the algorithm of support vector machine(SVM). Using electricity demand and GDP, taking the industrial structure of data in 2000-2009 as samples, the total electricity demand in 2010 was forecast. The results show that compared with elastic coefficient regression forecasting and ordinary common SVM forecasting method, the forecasting accuracy of the total electricity demand increases by 8.90% and 3.98%, respectively.%基于合理预测电力需求,是保证电网规划与产业发展合理性的重要依据,在我国优化产业结构、推进节能减排的环境下,电力中长期需求的变化面临更多不确定因素,考虑多个因素对电力经济发展弹性系数的影响,按照投入产出模型,运用支持向量机算法构建预测模型.以2000- 2009年我国电力需求及GDP,产业结构的数据为样本,预测2010年的电力需求总量.通过与普通弹性系数回归预测、普通支持向量机预测方法对比,电力需求总量预测精度分别提高8.90％和3.98％.【期刊名称】《中南大学学报（自然科学版）》【年(卷),期】2012(043)006【总页数】4页(P2441-2444)【关键词】电力需求;弹性系数;投入产出;支持向量机【作者】董力通;谭显东;刘伟国;刘海波【作者单位】华北电力大学经济与管理学院,北京,102206;国网北京经济技术研究院,北京,100052;国网能源研究院,北京,100052;国家电网公司,北京,100031;华北电力大学经济与管理学院,北京,102206;国网北京经济技术研究院,北京,100052【正文语种】中文【中图分类】F426合理预测电力需求对于制定电力规划、电力建设具有重要意义。
当前，国内外有关电力需求方面的研究较多，主要包括电力需求的预测方法[1-6]、电力需求预测应考虑的因素[7-8]等。
程鹏等[9-10]将并联灰色神经网络模型与 GM(1,1)模型进行了改进，并将其应用于电力需求预测中。
Amusaa等[11]使用边界检验的方法研究了南非的电力需求。
郭彦东等[12-13]研究了基于支持向量机的电力需求预测方法。
这些方法都较好地拟合了数据样本的趋势性规律和特征，但是，对于一些关键影响因素变化对需求影响未充分考虑。
特别是没有从能源与经济相互关系出发建模，并没有运用数据挖掘和预测算法进行综合研究。
为此，本文作者首先提出影响电力需求的主要因素，并研究各因素对电力需求所产生的影响；其次，结合弹性系数和投入产出模型，构建考虑我国节能减排、产业结构、经济布局调整等因素的改进模型，以2000—2009年产业结构、经济总量、能源消费总量为样本，通过对2010年能源消费总量的预测，并将分析结果与在相同条件下运用普通弹性系数回归方法和SVM 回归预测方法所得结果进行比较，验证改进后模型的分析精度。
1 影响电力需求的主要因素分析电力需求的变化主要由经济结构和能源消费方式的改变决定。
在国家高度重视可持续发展的背景下，中长期电力需求增长主要受产业机构调整、经济布局调整、节能减排(低碳经济)发展共3个方面的影响。
(1) 产业结构调整。
我国政府高度重视产业结构调整工作，提出通过优化产业结构，降低经济发展对能源及其他自然资源的消耗强度。
通过对高耗能产业实施限制性政策，引导和鼓励新兴、绿色产业的发展。
由于自身能耗水平不一致，产业结构的变化将对总体电力需求造成较大的影响。
(2) 经济布局调整。
未来华东、华中、西北地区产业的跨区域转移和优化升级将成为经济增长的新的内生动力，在未来区域板块的合作发展中逐步完成产业结构调整。
随着各区域规划的逐步落实，相关地区的经济发展将带动电力需求的增长，也将推进我国各地区经济、电力协调发展。
(3) 低碳经济发展。
2009年我国提出了2020年二氧化碳排放比2005年下降40%～45%的目标。
从能源供应来看，可优化能源供应结构；从需求供应来看，通过节能减排、技术进步以及高效用电设备的利用，提高能源利用效率。
这些变化将对我国能源需求总量、能源消费结构、电力需求结构和电力消费结构产生较大的影响。
可通过限制高耗能行业的发展、加大节能减排措施的实施力度、大力发展清洁能源、促进资源的循环利用与建立低碳技术创新体系等途径实现节能减排目标。
这些方法措施的实施，从能源供应侧角度，优化了能源供应结构；从需求侧角度，通过节能减排、技术进步以及高效用电设备的利用，可提高能源利用效率。
2 电力需求预测模型2.1 弹性系数模型弹性是经济学中重要的概念。
弹性系数是一定时期内相互联系的2个指标增长速度的比率，它是衡量一个变量的增长幅度对另一个变量增长幅度的依存关系。
弹性系数法在对一个因素发展变化预测的基础上，通过弹性系数对另一个因素的发展变化作出预测的一种间接预测方法。
设x为自变量，y为x的可微函数，则弹性系数是变量 y的瞬间变化率与平均变化率之比。
2.2 电力需求弹性投出产出模型电力弹性系数反映了一定时期内电量需求与国民经济增长速度之间的内在关系，是电力系统中长期预测中一种非常经典的方法。
电力弹性系数大于 1，表明电力需求的增长速度高于国民经济的增长速度。
若示，相应2 a的电力需求用Et和Et+1 表示，则GDP的增长速度为：用电量的增长速度为：电力弹性系数为：已知历史时段 1＜t≤n的电力弹性系数序列应的方法预测未来年份的电力弹性系数1,ˆ+ttε，则可以基年的电量En为基础，预测未来各年的电量需求：2.3 基于 SVM 的电力弹性系数投入产出需求预测模型将全社会用电量分为各产业用电量和居民生活用电量，产业用电量分为第一产业用量、第二产业用量与第三产业用电量。
利用投入产出模型(IO)进行中长期电力需求预测，即根据未来的经济增长状况确定各部门的电力需求。
利用此模型体现了以需定产的市场经济思想，即以需求为导向，生产满足需求，可以清楚地描述电力需求的构成，具有很好的可解释性。
本文建立基于 SVM 的电力弹性系数投入产出需求预测模型，求解未来的电力需求。
将全社会用电量Y分为第一产业用电量Y1、第二产业用电量Y2、第三产业用电量Y3和居民用电量Ye，即利用投入产出模型的思想，结合情景分析技术，构建改进的中长期电力需求预测。
在式(1)，(2)和(3)基础上，通过细分第一、二、三产业电力弹性系数，采用 SVM 对历史数据中第一、二、三产业结构变化对电力需求影响的模拟，构建预测模型。
通过设定误差率和学习次数，控制SVM模拟过程。
其中：r为误差率；Y′为预测用电量；Y为实际用电量。
3 模型校验与比较以2000—2009年我国第一、二、三产业GDP，第一、二、三产业及社会居民用电量以及总用电量为样本，通过计算各年一、二、三产业电力需求量作为输入，预测2010年电力需求总量。
将本文提出的改进模型与普通电力弹性系数预测方法(方法一)、普通SVM回归预测(方法二)进行比较，以验证本文提出算法的改进效果。
不同方法预测效果的比较结果(基于对2010年电力消费总量的预测)如表1所示。
从表1可见：与方法一、方法二相比，运用本文提出方法所得结果预测精度分别提高 8.90%和 3.98%，这从一定程度上佐证了本文提出方法能够更全面地反映影响中长期电力需求的内在规律，能够获得更好的分析和预测用电量。
表1 不同方法预测效果的比较(基于对2010年电力消费总量的预测结果)Table 1 Comparison of forecast effects for different methods方法名称预测值/(万亿kW·h)实际需求/(万亿kW·h)预测精度%精度提高率/%基于SVM的“弹性-投入产出”预测模型43 590 41 920 96.02 —弹性系数预测模型 36 520 41 920 87.12 8.90 SVM回归预测模型 45 260 41 920 92.04 3.984 “十二五”电力需求预测与分析本文考虑“十二五”期间不同GDP增长率下2015年的用电需求情况，假定第一、第二和第三产业GDP增长率分别为9.6%，8.7%和7.0%。
假定2010年全国GDP总量为302 523亿元，第一、第二和第三产业结构 GDP总量比为10.1:48.4:41.5。
三种情景下具体各产业的GDP总量如下。
情景1：预计“十二五”期间年均增长9.6%，2015年全国GDP总量将达到47.8万亿元，第一、第二、第三产业结构GDP总量比为8.7:48.9:42.5。
情景 2：考虑国家经济布局调整，预计“十二五”期间年均增长8.7%，2015年将达到45.9万亿元，第一、第二、第三产业结构GDP总量比为8.9:47.8:43.3。
情景3：考虑低碳经济发展、能源消费总量控制，预计“十二五”期间年均增长7%，2015年将达到43.6万亿元，第一、第二、第三产业结构 GDP总量比为9.3:46.9:43.8。