近日，我校数学与信息科学学院李艳颖博士以第一作者第一单位在国际知名能源学术期刊Energy杂志发表文章《Subsampled supportvector regression ensemble for electric load forecasting》。该期刊在2018年中国科学院SCI期刊分区表属于工程技术类1区Top期刊，最新影响因子4.968，五年平均影响因子5.582。

李艳颖博士及其合作者采用子抽样支持向量回归集成的方法，研究了短期电力负荷的点估计及其置信区间长度的建模和预测。电力负荷预测在电力系统运行中起着至关重要的作用。低准确度的预测结果会造成相当大的经济损失，预测误差增加1%意味着电网和运营成本增加1000万，因此开发一个准确、快速、简单、稳健、有意义的短期负荷预测模型对于电力公司及其客户来说是非常必要的。为了提高计算精度和效率，首先设计了一种子采样策略实现支持向量机(SVR)的学习,小规模的样本子集用于加快SVR的学习过程，该抽样策略保证了每个单个的SVR具有足够的多样性。然后关于模型选择，提出了基于单个SVR集成的一种新的群优化学习算法。群协作学习的优点是，可以确保每个SVR集成具有足够的强度来预测短期负荷数据。仿真结果表明该方法比现有流行算法有更好的表现。（科技处、数学与信息科学学院 文/樊玥）

原文链接：http://www.sciencedirect.com/science/article/pii/S0360544218317055