黎津池

(西南交通大学电气工程学院，四川 成都　610031)



基于PSO-LSSVM的短期电力负荷预测

黎津池

(西南交通大学电气工程学院，四川 成都610031)

摘要：提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取，进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了所提预测方法可行性，与其他方法预测结果的对比进一步突出了所提方法的有效性。

关键词：短期负荷预测；最小二乘支持向量机；粒子群优化算法

Abstract：A short-term load forecasting method based on particle swarm optimization-least squares support vector machine (PSO-LSSVM) is proposed. In this method, PSO is adopted to optimize the parameters of LSSVM model, thus to achieve automatic optimization of the parameters of LSSVM and further to obtain the more accurate short-term load forecasting model than a single LSSVM model. The simulation results show the feasibility of the proposed method, and the comparative results with other methods verify the effectiveness of the proposed method.

Key words：short-term load forecasting; least squares support vector machine; particle swarm optimization

0引言

短期负荷预测是电力系统的重要工作之一。准确的负荷预测可以经济合理地安排电网内部发电机组的启动和停止，保持电网运行的安全稳定， 减少不必要的旋转储备容量，合理安排机组检修计划， 有效地降低发电成本， 提高经济效益和社会效益。

负荷预测的准确性与多种因素有关[1](如历史负荷数据和天气因素)，而这些因素大部分具有随机性、动态开放性等不确定性特点。因此，未来负荷与所能利用的影响变量之间存在复杂的非线性关系。这就难以用简单的数学模型来描述，随着机器学习理论的发展，一些非线性模型如神经网络模型在短期负荷时间序列预测中已取得比较成功的应用[2-6]。但神经网络模型本身存在着难以克服的缺陷，如易陷入局部极小，网络结构难以确定，而且它基于的是经验风险最小化原则，易导致过学习现象的产生。……