魏明奎，叶葳，沈靖，周泓，蔡绍荣，王渝红，沈力

（1. 国家电网有限公司西南分部，四川省成都市 6100315；2. 四川大学电气工程学院，四川省成都市 610065）

0 引言

电力系统负荷预测一般分为超短期、短期、中期、长期四类负荷预测[1]，随着市场化改革的逐步推进，短期负荷预测的重要性日益提升[2]。近年来，国内外学者对于短期负荷预测进行了广泛的研究，围绕具体预测思路的差异，可将预测方法分为两类，其一是传统的时间序列分析方法，包括回归分析法[3]、指数平滑法[4]、多元线性回归法[5]、卡尔曼滤波法[6]等；其二是机器学习算法，由于其可以较好的解决负荷非线性的问题，受到了广泛的应用和研究。目前已有较多机器学习算法在负荷预测领域应用，在这些方法上又存在着很多的改进算法，目前使用较多的方法有基于极限学习机（Extreme Learning Machine, ELM）的预测方法[7-8]、基于支持向量机（Support Vector Machine，SVM）的预测方法[9]、基于BP 神经网络的预测方法[10]等。

近年来，由于SVM 具有较好的鲁棒性和有效规避维数灾等优点，得到了学者的重视，在其基础上，一些改进方法也在不断被提出，而目前已有的应用较广泛的改进模型是利用最小二乘方法改进的最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）。现有研究中已有学者将LSSVM 应用于负荷预测领域，如文献[11]中为了避免传统负荷预测需要针对整个负荷数据集建立预测模型所存在的学习不充分和计算量大的问题，提出基于即时学习算法和LSSVM的局部预测模型，并配置了局部模型更新策略，最后通过仿真验证了其所提模型的有效性；……