基于人工免疫算法优化LSSVM的短期电力负荷预测

杨 洁

（国网山西省电力公司新荣供电公司，山西 新荣 037002）

短期电力负荷预测是实现电力系统安全、经济运行的基础。准确的短期负荷预测不仅能够提高电力系统运行的可靠性、经济性以及供电质量，而且也是制定发电计划，进行系统安全评估的重要依据[1—3]。长期以来，国内外许多专家学者对短期负荷预测进行了大量的研究，提出了许多有效的方法。其中，取得较好应用成果的有人工神经网络，但它存在过学习和易陷入局部极小值等缺点，在一定程度上限制了预测的精确度[4—5]。与人工神经网络模型相比，支持向量机具有预测能力强、收敛速度快和全局最优等特点，而且对小样本数据有着较好的泛化性能，表现出明显的优越性。最小二乘支持向量机（LSSVM） 是标准SVM（支持向量机）的一种改进，它利用等式约束替代了标准支持向量机中的不等式约束，避免了求解耗时的二次规划问题，提高了模型的训练速度[6]。

由于LSSVM模型中的参数对电力负荷预测的精确度有着很大的影响，因此，研究有效的参数选取方法对LSSVM预测模型就显得尤为重要。而目前，参数选取并没有形成统一的指导理论，许多核函数中的参数还只能凭借经验来确定，往往得不到理想的预测效果。为此，本文利用人工免疫算法对LSSVM中的参数进行优化选取，建立了基于人工免疫算法优化LSSVM的电力负荷预测模型，得到了比较满意的效果。

1 人工免疫算法优化最小二乘支持向量机模型

1.1 最小二乘支持向量机

支持向量机（SVM）是在统计学理论基础上发展起来的一种新的分类和回归工具。……