胡文波，陈璟华，赖伟鹏

(广东工业大学 自动化学院， 广东 广州 511400)

0 引 言

在现代经济飞速发展的今天，全国各地用电量也随之增长，负荷预测的精度影响着电网的经济调度，甚至影响系统的安全运行，故提高负荷的预测精度对于确保电力系统的可靠运行具有十分重要的意义[1-4]。近年来，随着智能算法的不断发展，人工神经网络和支持向量机(support vector machine，SVM)为代表的机器学习方法开始在电力负荷预测上得到应用[5]。孟凡喜[6]等人针对人工神经网络在小样本、非线性回归问题中的预测精度不高的问题，建立支持向量机的负荷预测模型，验证了SVM预测模型在负荷预测中的精度比人工神经网络高、训练时间更短等优点，但SVM求解复杂、计算耗时且对缺失数据不敏感。针对SVM的弱点，杜颖[7]等人提出一种基于最小二乘支持向量机(least square support vector machine，LSSVM)的预测模型，使用等式约束代替不等式约束，将二次规划问题转为求解线性方程，降低了求解复杂性，解决了SVM求解难的问题，同时用平方差损失函数代替SVM中的不敏感损失函数，解决了SVM的数据敏感性问题，提高了预测的精度。针对LSSVM参数依靠经验选取的问题，赫晓弘[8]等人使用粒子群优化算法(particle swarm optimization，PSO)优化LSSVM的正则化参数和核函数参数，解决了参数选择的盲目性问题，但是由于PSO的寻优性能的局限性，故存在收敛速度慢、易陷入局部最优的问题。对此，陈友鹏[9]等人提出使用鲸鱼优化算法(whale optimization algorithm，WOA)优化LSSVM参数的负荷预测模型，提高了优化算法的收敛性能，但WOA的收敛因子是线性变化的，因此算法前期的全局寻优能力以及后期的局部探索能力不强，而且初始化种群时采用的是随机化机制，使得算法易受初值的影响，容易陷入局部最优。……