罗红郊，马晓琴，孙 妍，张华铭

（1.国网青海省电力公司信息通信公司，青海西宁 810000；2.北京清软创新科技股份有限公司，北京 100085）

近年来，随着新型电力系统建设进程的加快，电力行业也开始逐步推进企业数字化转型。其中，计算机技术是赋能企业数字化转型的重要途径。在电力市场化改革背景下，新能源将逐渐占据主体地位。相较于传统的火力发电，在新能源接入后电力供给侧的波动性与随机性将显著提升，这便要求更准确地对负荷大小进行预测，从而把控用电量趋势[1-3]。

随着机器学习技术的发展，神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、多元回归(Multiple Regression Analysis,MRA)等多个数学模型已逐步应用于电力系统的用电量预测中。但此类算法自身的训练及求解过程仍存在迭代效率低、容易陷入局部最优等问题，会直接影响到模型的预测精度[4-5]。此外，由于影响用电量的因素较多，在进行模型算法的特征选择时无法全面顾及，这导致模型在训练时易产生维度缺陷，从而影响算法的性能发挥[6-7]。基于上述分析，该文一方面从影响用电量的因素出发，使用递归特征消除法(Recursive Feature Elimination,RFE)筛选用电量特征指标，以提高机器学习算法的迭代效率；另一方面则对传统支持向量机算法的训练方式加以优化，引入改进后的粒子群(Particle Swarm Optimization,PSO)算法来提升模型的预测精度。

1 理论分析

1.1 算法框架

支持向量机(SVM)是一种常见的基于统计学理论的机器学习算法，其在小样本、高维度的非线性拟合问题上具有广泛的应用[8-13]。但传统的SVM 算法在确定回归参数时，通常基于计算机遍历、人工选取等方法，从而影响了算法的使用效率及预测性能，因此需对其进行优化与改进[14]。……