吴文江，陈其工，高文根

(安徽工程大学 安徽检测技术与节能装置省级重点实验室，安徽 芜湖　241000)



基于PSO优化参数的最小二乘支持向量机短期负荷预测

吴文江，陈其工，高文根

(安徽工程大学 安徽检测技术与节能装置省级重点实验室，安徽 芜湖241000)

摘要：LSSVM模型中的参数选择对模型的影响较大，采用粒子群优化算法进行模型参数的全局选优，用历史负荷数据和天气气象因素作为输入，建立优化电力负荷预测模型进行仿真。利用PSO-LSSVM模型对华东某市电力负荷进行验证分析。实验结果表明：粒子群算法优化的LSSVM模型相比LSSVM具有更高的预测精度。

关键词：粒子群优化算法；最小二乘支持向量机；参数选择；负荷预测

短期电力负荷预测在能源问题日益紧张的今天显得尤为重要。现代电力行业逐步改革，准确的电力负荷预测在很大程度决定了改革的趋势和方向，但是非线性和波动性加大了负荷预测的难度。经济、天气和其他因素的影响导致每天、每周、每年的负荷都在变动。短期负荷预测的精确程度影响着电能的利用率，以及电力系统运行的安全性与可靠性。

长期以来，国内外学者对电力负荷预测做了大量研究，提出很多预测算法，如时间序列法、灰色理论法、神经网络法、支持向量机法等[1]。考虑到传统支持向量机在求解速度方面的缺陷，最小二乘支持向量机采用等式约束替代不等式约束，将求解过程变为解一组等式方程，极大提高了求解速度。……