刘仕豪

【摘 要】为了提高短期负荷预测的精度，提出基于量子差分进化算法（quantum differential evolution，QDE）优化的最小二乘支持向量机（least squares-support vector machine，LSSVM）模型。通过采用量子比特编码方案有效选取最小二乘支持向量机的参数，克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明，与BP神经网路和单纯的最小二乘支持向量机算法相比，QDE-LSSVM有更高的预测精度，更适用于当前中国短期负荷的需要。

【关键词】短期负荷预测；参数优化；量子差分进化；最小二乘支持向量机

引言

“十三五”规划期间，随着电力市场化改革的进一步深化与智能电网的大规模试点，精度较高的负荷预测对保障智能电网的安全稳定运行与电能资源的优化配置至关重要。故不断改进负荷预测方法，提高预测的精度，对于制定经济优化的发电计划、降低旋转储备容量、进行电力市场需求分析等方面均有十分重要的意义。

目前，用于负荷预测的方法大体可以分为经典的数学统计方法和基于人工智能的方法，其中，大多数负荷预测理论都基于时间序列分析，包括自回归模型（VAR）[1]，自回归滑动平均模型（ARMA）模型[2]等，时间序列平滑预测法的模型识别与参数估计都是根据有限序列去推断原序列式的性质来完成，这种推断误差较大，不能满足短期负荷预测精度需要。随着世界各国电力市场的发展，负荷预测受到了更加广泛的重视，神经网络预测技术[3]，混沌預测技术[4]以及粒子群优化[5]，LSSVM[6]等自学能力较强的预测方法都在负荷预测中应用广泛。……