改进粒子群算法优化支持向量机的短期负荷预测

李 杰， 靳孟宇， 马士豪

(河北工业大学 经济管理学院，天津 300401)

短期电力负荷预测研究作为电力系统稳定运行的重要组成部分之一，为市场环境提供了高效、经济的发电计划和交易计划，对电力系统的可靠和经济运行意义重大[1]。短期电力负荷预测主要是指对未来7～30天内电力负荷数据进行预测，常用于大型发电机设备的优化调整和电力市场潮流方向的控制[2]。准确无误的电力负荷预测能够有效保障电力电网系统的健康高效运行，对增强电网运营效率、提升供电企业市场竞争力具有重要意义。

传统预测方法主要包括时间序列预测、专家预测系统和灰色模型等[3-4]。现代预测方法主要包括神经网络、小波分析、支持向量回归机[5]、粒子群算法[6]、极限学习机[7]等。由于电力负荷数据是非线性的，故传统方法已不再适用。支持向量回归(Support Vector Regression，SVR)能通过核函数将非线性数据映射到高维空间使数据变得线性可分，并采用结构风险最小化原则解决小样本数据，预测效果较好。其中，核函数参数对SVR的预测效果具有重要影响。粒子群优化(Particle Swarm Optimization，PSO)在SVR核参数选取中应用广泛，但是大部分改进还略有不足。

针对SVR参数选择的问题，笔者提出一种改进的混沌自适应粒子群优化(Chaotic Adaptive Strategy Particle Swarm Optimization，CASPSO)算法进行SVR参数选取，提高算法预测效果。针对算法存在的早熟收敛,容易陷入局部最小值等问题，用混沌映射方法保证种群粒子遍历整个种群空间。针对种群寻优过程中算法停滞问题，引入自适应策略，根据聚合度进行概率判断，检查产生的随机数是否满足混沌搜索条件。……