,,,

(南昌航空大学 研究生院，南昌 330063)

0 引言

今天，能源紧张和能源浪费的问题日益凸显，开发新能源和高效利用现有能源必将成为未来的主题。短期负荷预测是节省能源的有效途径。负荷预测的精度越高电力系统运行就越可靠、供电质量越好，能源利用率也就越高。面向非线性数据预测的方法与技术是当今负荷预测研究的热点，近几年来支持向量机(support vector machine,SVM)模型得到了广泛的关注，从已有的研究文献来看，支持向量机能够比较好的解决小样本，非线性，和高纬度等问题，因此在短期负荷预测方面得到了广泛的应用。文献[1]将回归支持向量机方法用于电力系统短期荷预测，文献[2]通过构LS-SVM模型，将二次优化问题转化成为求解线性等式集的形式，降低了计算的复杂性。针对LS-SVM存在的问题，利用粒子群算法迭代搜索最优目标函数值的方法，找到最优参数取值。本文针对标准粒子群寻优过程中容易早熟收敛及陷入局部最优的问题提出基于细菌趋化的改进粒子群算法(PSOBC)，改进后的粒子群算法利用细菌觅食特征，实现粒子间吸引和互斥的平衡，引导粒子跳出局部最优，提高了计算精度及全局寻优能力,通过它能得到较优的LS-SVM用电量预测模型，实验结果表明基于改进粒子群优化算法与支持向量机(PSOBC-SVM)的短期负荷预测具有更高的预测精度,适合于用电量预测。

目前为止，应用广泛的最小二乘支持向量机(least squares support vector machine，LS-SVM)的训练样本选取主要依靠经验，很多学者……