基于CLPSO模型选择的SVM电力负荷预测模型研究

夏成文，杨司玥，鲍玉昆，潘 睿，邓源彬

(1.南方电网深圳数字电网研究院有限公司，广东 深圳 518053；2.华中科技大学 管理学院，湖北 武汉 430074)

电力负荷预测主要是通过对历史上的电力负荷数据和气候等影响因素进行分析，探索电力负荷可能的变化规律，从而预先估测未来电力的需求情况[1]。负荷预测为电力系统的安全可靠供电和经济稳定运作提供了至关重要的支撑作用。随着电力系统逐步向更加智能化的方向发展，其对于高精度电力负荷预测的需求也日益提高。目前，常用的负荷预测方法大致可归纳为两类：一类是基于统计模型的传统时间序列模型，如ARIMA[2]、指数平滑法[3]及多种回归模型。此类方法要求时间序列有较好的平稳性，在非线性、非平稳的负荷预测任务中使用较为受限。另一类是以数据为驱动的机器学习技术，如应用较为广泛的神经网络[4]、支持向量机[5](support vector machine, SVM)等。此类方法对负荷序列中非结构性、非精确性的规律和模式有较好的自适应性，随着负荷及相关数据在数量和种类方面的不断丰富，机器学习方法在非线性的复杂负荷序列预测任务中也表现出了较大的潜力[6]。

尽管基于机器学习方法的负荷预测技术在精确程度方面受到了很多研究的肯定，但其预测性能往往取决于很多技术细节，比如输入特征选择和超参数优化等一系列问题，这些问题统称为“模型选择”。不恰当的模型选择会导致一些具有优秀潜力的机器学习算法在实际预测任务中的表现欠佳。……