,,,
(南昌航空大学 信息工程学院,南昌 330063)
在21世纪的今天,能源紧张和能源浪费的问题日益凸显,开发新能源和高效利用现有能源必将成为未来的主题。短期负荷预测是节省能源的有效途径。负荷预测的精度越高电力系统运行就越可靠、供电质量越好,能源利用率也就越高[1-3]。面向非线性数据预测的方法与技术是当今负荷预测研究的热点,近几年来一种新的学习机-支持向量机(support vector machine,SVM)模型得到了广泛的关注,从已有的研究文献来看,支持向量机能够比较好地解决小样本,非线性,和高纬度等问题,其泛化能力要好于神经网络模型和模糊模型。文献[4]将回归支持向量机方法用于电力系统短期荷预测,文献[5]通过构造(least squares support vector machines,LS-SVM)模型,将二次优化问题转化成为求解线性等式集的形式,降低了计算的复杂性。因为支持向量机参数较多,不等式约束具有不确定因素,所以本文也选取LS-SVM模型,但是直到目前其参数确定还是多取决于经验,因此找出有效方法确定其参数有待进一步研究。
本文针对LS-SVM存在的问题,利用粒子群算法迭代搜索最优目标函数值的方法,找到最优参数取值。鉴于粒子群自身具有鲁棒性强,计算效率高,易于实现的优点,被应用于寻找LS-SVM的最优参数值,考虑文献[6] PSO寻优过程中容易早熟收敛及陷入局部最优产生无效解的问题,本文提出一种动态双组粒子群算法(DBPSO),将所有粒子分为两组,每组使用不同的权重分别进行全局搜索和局部搜索,搜索过程中适应度小的粒子进入局部搜索种群中,两组种群数量实现动态变化,全局搜索与局部搜索同步进行;……