陈金菊，涂志达，蔡成鑫，黄敬淋，刘书瑞

（宁德师范学院信息与机电工程学院 福建 宁德 352100）

1 引言

目前电力系统的短期负荷预测正处于由人工经验运算转换到了智能预测时代。国内外负荷预测方法具体有两种方向，一种是较为新型的人工智能预测方法，另一种是相对传统的数学统计预测方法[1-2]。

人工智能类的短期负荷预测方法具有良好的发展前景，在面对非线性的情况时有更好的处理效果。神经网络是智能处理的一种方法，通过不断的学习获得更优的参数，在预测的过程中会随着变化的训练样本自动优化。

2 粒子群优化算法

粒子群算法，对鸟类的群体觅食行为和迁徙群居行为进行研究[3-4]，粒子群算法的主要步骤[4]：

（1）设定粒子个体的最优位置pi=xi以及整个种群的全局最优位置pg，c1和c2是学习因子的参数，d则是空间维度的大小，N是粒子种群数值，vij与xij则是初始任意粒子速度和位置；

（2）根据适应度函数的情况，解出各个粒子的适应数值；

（3）若粒子本身的最优值优于适应值则维持粒子本身的最优值，否则舍弃原本的最优值用适应值进行替代；

（4）通过比较的方式来决定全局最优值；

（5）更新粒子与种群的位置与速度；

（6）更新速度、位置的粒子进行判别，循环直到算法得以满足结束。

3 最小二乘支持向量机

对于最小二乘支持向量机的目标函数[5-6]：

定义拉格朗日函数:

则 LSSVM 非线性预测模型可表示为

4 仿真与分析

以某地区2月1日—2月7日的历史负荷数据为样本，对该地区2月8日的负荷进行预测。……