周尚珺玺，马立新

( 上海理工大学 光电信息与计算机工程学院，上海200093)

基于入侵杂草优化算法的支持向量机负荷预测

周尚珺玺，马立新

( 上海理工大学 光电信息与计算机工程学院，上海200093)

针对支持向量机(Support Vector Machine, SVM)预测方法中的参数选取主要依靠经验试算实验比对的方法导致难以快速选择合适参数从而影响负荷预测精度的问题，研究了将入侵杂草优化算法(Invasive Weed Optimization，IWO)与支持向量机算法相结合的改进算法。提出控制误差ε的取值，采用入侵杂草寻优算法对惩罚参数C和核函数参数σ进行优化选取，将自动寻优的结果赋给支持向量机，从而实现支持向量机自动寻优。用某市的历史负荷及相关天气等信息数据，通过仿真实验证明了IWO-SVM算法用于短期负荷预测的可行性，以及IWO算法对改善SVM的参数选择的有效性。平均预测误差在3%以内，满足行业要求。

短期负荷预测；支持向量机；入侵杂草优化

0 引言

电力系统短期负荷预测是维护电网经济、稳定运行的基础，是制订供电计划、调度计划和交易计划的重要依据，基于人工智能技术的神经网络预测模型和模糊系统预测模型是目前研究较为广泛的负荷预测模型，但对改善这类模型的泛化能力方面理论进展较慢，因此很多学者开始对具有更好泛化能力的预测技术进行研究。

由 Vanpik 在1995年提出的建立在统计学习理论的VC维理论和结构风险最小原理的基础上发展出的支持向量机方法，它在解决小样本、非线性、高维数模式识别等实际问题中有许多优势。……