基于PSO-SVR的电力负荷预测①

胡永迅，李彦梅

(1.安徽理工大学电气与信息工程学院，安徽 淮南 232001;2.安庆师范大学电子工程与智能制造学院，安徽 安庆 246133)

0 引 言

电力负荷科学准确的预测不但可以节约能源，而且能促进节能减排工作的顺利完成。精准的负荷预测在电力系统稳定运行中起着较为重要的作用，可以为电力公司制定工作计划、能源的供给提供重要的参考信息。目前国内外科研学者提出了多种多样的关于负荷预测的方法与理论。经典的负荷预测多以统计学为基础，例如指数平滑法、回归分析法[1]。然而随着大量的方法不断地诞生，预测结果的精度仍然有待进一步提高。基于此现状，引入了人工智能领域中经典的智能进化算法优化经典预测模型的重要参数，进而提高了预测精度。提出的优化模型具有能够自学习、自组织、自适应的优良等特征。优化后的预测模型拥有简单通用、鲁棒性强、适应面广等一系列优点。支持向量回归机的预测精度主要取决于其惩罚因子和核函数参数，利用遗传优化算法、人工蜂群优化算法和人工蚁群算法等智能算法对参数寻优极大提高了模型的预测精度[2]。采用应用较为广泛的粒子群算法优化SVR参数，提出了粒子群算法优化支持向量机回归(Particle Swarm Optimization Support Vector Regression,PSO-SVR)的负荷预测模型，提高了预测精度，取得了理想的预测结果。

1 PSO优化SVR模型

1.1 支持向量机回归

SVM是一种源于统计学，新的机器学习方法。支持向量机回归(Support Vector Regression,SVR)是在SVM的基础上引入ε不敏感损失函数而形成的。……