陶琳，岳小冰

（河南工业职业技术学院电子信息工程系，河南 南阳 473000）

一种新的粒子群算法优化支持向量机的短期负荷预测

陶琳，岳小冰

（河南工业职业技术学院电子信息工程系，河南 南阳 473000）

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

粒子群优化算法；电力负荷预测模型；支持向量机；混沌理论

随着电力系统数据采集与监控技术的发展，需要采集的负荷数据越来越多，如何对这些数据所包含的信息进行挖掘，并分析有效性，从而提高电力负荷预测准确性，成为电力系统研究领域的一个热点问题［1］。

当前电力负荷预测模型分类两类：线性模型和非线性模型［2］。线性模型假设电力负荷是一种线性变化趋势，主要包括多元线性回归方法、时间序列分析法等［3-4］，它们简单、易实现，预测结果解释性好，但由于电力负荷具有时变性、非线性等特点，线性模型预测精度往往不高，无法准确跟踪电力负荷的预测及变化趋势［5］。……