杨广亮, 万俊杰

(1.江苏安科瑞电器制造有限公司, 江苏 江阴 214405;2.安科瑞电气股份有限公司, 上海 201801)

0 引 言

随着经济社会的快速发展,全国各地的用电量不断攀升。短期电力负荷预测的准确性对社会经济发展、人民安居乐业具有重要意义[1]。近年来,随着人工智能技术的快速发展,人工神经网络、支持向量机、随机森林等机器学习模型也受到了广大学者的关注[2]。商业负荷作为一种社会性的、人为特征突出的负荷,其具有代表性的负荷主要包括照明负荷和空调负荷。这些负荷和人的感官感觉直接相关,受人为因素影响大,而其又主要体现在人体本身对天气状况的感官感觉上。因此商业负荷对天气、气候的敏感度较高,与商业负荷相关的气象影响因素主要包括温度、湿度、风速、降雨量等。商业负荷预测即寻找商业负荷影响因素和商业负荷之间的函数关系式。

最小二乘支持向量机(LSSVM)作为20世纪60年代提出的一种机器学习算法,在处理商业负荷预测等回归问题上具有很好的应用前景,该模型不仅鲁棒性好,而且能防止过度学习,求解速度优于SVM,但是其参数选择具有一定的随机性,对模型预测精度影响较大,因此本文引入改进的麻雀搜索算法对其参数进行优化选择。

由于负荷序列数据具有随机性,其原始特征难以捉摸,简单的组合模型已经无法很好地解决该问题。目前大多数组合模型结合数据分解技术,变分模态分解(VMD)可以将多分量信号一次性分解成多个单分量调幅调频信号,避免了迭代过程中遇到的端点效应和虚假分量问题。……