基于PSO—LSSVM的短期电力负荷预测

《基于PSO—LSSVM的短期电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第39卷第2期四川电力技术Vo1．39。No．22016年4月SichuanElectricPowerTechnologyApr，，2016基于PSO—LSSVM的短期电力负荷预测黎津池(西南交通大学电气工程学院，四川成都610031)摘要：提出一种基于粒子群优化一最小二乘支持向量机(particleswar／T／optimization—leastsquaressupportvectorma—chine，PSO—LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优，实现LSSVM参数的自动优化选取，进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了

2、所提预测方法可行性，与其他方法预测结果的对比进一步突出了所提方法的有效性。关键词：短期负荷预测；最tb_-乘支持向量机；粒子群优化算法Abstract：Ashort—termloadforecastingmethodbasedonparticleswarmoptimization—leastsquaressupportvectormachine(PSO—LSSVM)isproposed．Inthismethod，PSOisadoptedtooptimizetheparametersofLSSVMmodel，thustoachieveautomaticoptimizationoftheparam

3、etersofLSSVMandfurthertoobtainthemoreaccurateshort—termloadforecastingmodelthanasingleLSSVMmode1．Thesimulationresultsshowthefeasibilityoftheproposedmethod，andthecomparativeresultswithothermethodsverifytheeffectivenessoftheproposedmethod．Keywords：short—termloadforecasting；leastsquaressupportvectormac

4、hine；particleswarmoptimization中图分类号：TM715文献标志码：A文章编号：1003—6954(2016)02—0006—04拓扑结构由支持向量决定，克服了传统神经网络拓0引言扑结构(权值及隐层数)的选择在很大程度上依赖设计者经验的缺点，较好地解决了小样本、非线性、短期负荷预测是电力系统的重要工作之一。准高维数和局部极小点等实际问题，具有很强的泛化确的负荷预测可以经济合理地安排电网内部发电机能力，并成功地应用于分类、回归和时间序列预组的启动和停止，保持电网运行的安全稳定，减少测等方面J。最小二乘支持向量机(1eastsquare不必要的旋转储备容量，合理安排机组检

5、修计划，SVM，LSSVM)是标准支持向量机的一种扩展，优化有效地降低发电成本，提高经济效益和社会效益。指标采用平方项，并用等式约束代替标准支持向量负荷预测的准确性与多种因素有关l1(如历史机的不等式约束，即将二次规划问题转化为线性方负荷数据和天气因素)，而这些因素大部分具有随程组求解，降低了计算复杂性，加快了求解速度。然机性、动态开放性等不确定性特点。因此，未来负荷而，采用LSSVM模型进行负荷预测时，LSSVM中的与所能利用的影响变量之间存在复杂的非线性关两个参数对模型有很大影响，而目前参数的选取系。这就难以用简单的数学模型来描述，随着机器依然是基于经验¨上的，预测的误差就会很大。学习理论

6、的发展，一些非线性模型如神经网络模型所以，提出一种基于粒子群优化一最／bZ-乘支在短期负荷时间序列预测中已取得比较成功的应持向量机(particleswalTnoptimization—leastsquares用J。但神经网络模型本身存在着难以克服的缺supportvectormachine，PSO—LSSVM)的短期负荷陷，如易陷入局部极小，网络结构难以确定，而且它预测的方法，其结构图如图1所示。先采用PSO算基于的是经验风险最小化原则，易导致过学习现象法对模型参数进行寻优，将SVM的参数选择问题视的产生。支持向量机(supportvectormachine，SVM)为在给定空间的全局搜索问

7、题，以测试样本集的平根据结构风险最小化准则取得最小的实际风险，其均误差作为算法结束的判断条件，实现了支持向量基金项目：国家自然基金资助项目(61373047)机参数的自动优化选取。最后将优化好的参数输入·6·第39卷第2期四川电力技术Vo1．39，No．22016年4月SichuanElectricPowerTechnologyApr．，2016已建好的LSSVM模型中实现负荷的预测，并对预测=0