邹仕富，李嘉周，毛启均，宋明军

(1.国网四川省电力公司，成都 610041; 2.国网四川省电力公司 信息通信公司，成都 610041;3.四川中电启明星信息技术有限公司，成都 610041)

0 引 言

随着智能电网和物联网技术的快速发展，电力负荷数据呈指数级增加，数据规模和维度日益复杂，形成海量电力负荷。针对短时电力负荷预测，很多学者进行了广泛研究和探索，提出了很多预测方法，主要包括线性预测方法和非线性预测方法。前者包括多元线性回归和时间序列方法[1-2]，这些方法只能刻画描述交通流量的基本变化趋势，难以对交通流量进行精确预测；后者包括灰色模型、神经网络、小波模型和支持向量机等[3-7]，尤其最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)实现SVM的改进，克服神经网络的小样本、过度拟合和“维数灾难”等缺点，具有很强的泛化预测能力，因此被广泛地应用于电力负荷预测领域。

由于影响电力负荷的气象因子较多，导致输入空间维数过高以及影响因素之间的相关性，影响负荷预测的计算效率和预测精度。蝗虫优化算法[8](Grasshopper Optimization Algorithm，GOA)具有收敛速度快、精度高和计算简单等优点，目前应用于参数优化[9]、特征选择[10]以及振动故障识别[11]等。目前，GOA算法尚未发现应用于短期电力负荷预测的文献。为了提高负荷预测精度，消除多气象因素之间的相关性和剔除冗余，本文提出一种数据降维和特征分析的GOA-LSSVM的负荷预测方法。研究结果表明，与GOA-LSSVM和LSSVM相比，本文算法可以有效提高负荷预测精度。

1 蝗虫优化算法

蝗虫个体位置的更新由种群交互力、重力和风力影响综合决定，其位置更新公式为[12]：