基于PSO-LSSVM的短期电力负荷预测黎津池【摘要】提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法.采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型.实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性.【期刊名称】《四川电力技术》【年(卷),期】2016(039)002【总页数】5页(P6-9,68)【关键词】短期负荷预测;最小二乘支持向量机;粒子群优化算法【作者】黎津池【作者单位】西南交通大学电气工程学院,四川成都610031【正文语种】中文【中图分类】TM715短期负荷预测是电力系统的重要工作之一。
准确的负荷预测可以经济合理地安排电网内部发电机组的启动和停止，保持电网运行的安全稳定，减少不必要的旋转储备容量，合理安排机组检修计划，有效地降低发电成本，提高经济效益和社会效益。
负荷预测的准确性与多种因素有关[1](如历史负荷数据和天气因素)，而这些因素大部分具有随机性、动态开放性等不确定性特点。
因此，未来负荷与所能利用的影响变量之间存在复杂的非线性关系。
这就难以用简单的数学模型来描述，随着机器学习理论的发展，一些非线性模型如神经网络模型在短期负荷时间序列预测中已取得比较成功的应用[2-6]。
但神经网络模型本身存在着难以克服的缺陷，如易陷入局部极小，网络结构难以确定，而且它基于的是经验风险最小化原则，易导致过学习现象的产生。
支持向量机(support vector machine ，SVM)根据结构风险最小化准则取得最小的实际风险，其拓扑结构由支持向量决定，克服了传统神经网络拓扑结构(权值及隐层数)的选择在很大程度上依赖设计者经验的缺点，较好地解决了小样本、非线性、高维数和局部极小点等实际问题，具有很强的泛化能力[7]，并成功地应用于分类、回归和时间序列预测等方面[8-9]。
基于EEMD和PSO-LSSVM模型的短期电力负荷预测侯鲁亭;高军伟【摘要】短期电力负荷预测是电力系统规划、运行、维护的基础.精确的负荷预测对电网的运行和供电调度提供了可靠的指导.为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法.该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测.通过引进粒子群算法下的LSSVM模型与BP神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比BP神经网络方法在绝对误差、相对误差以及均方根误差都有提升.【期刊名称】《制造业自动化》【年(卷),期】2018(040)004【总页数】5页(P77-81)【关键词】短期电力负荷预测;集总经验模态;粒子群算法;最小二乘支持向量机【作者】侯鲁亭;高军伟【作者单位】青岛大学自动化与电气工程学院,青岛266071;青岛大学自动化与电气工程学院,青岛266071【正文语种】中文【中图分类】TP1810 引言众所周知，社会的发展越来越需要电力系系对电能进行合调的经济调度[1]。
输送的电能过多造成浪费，输送过少达不到正常需求，造成地区用电短缺，阻碍经济的发展，影响社会稳定。
随着我们对用电量的依赖性的增加以及智能信息处调的发展，对于电力系系用电负荷的预测，国内外研究方法逐基深入。
常用的负荷预测方法有：人工神经网络法[2,3]、时间程列法[4]和回归分析法[5,6]。
文献[4]中时间程列法对历史数据依赖性高，而短期电力负荷预测受天气等影响因素大，不具有普遍性。
文献[5,6]中提到回归分析法是需要对历史数据分析得出数量关系，这种方法有很多局限性，也不适用于短期电力负荷预测。
近年来，随着机器学习、深度学习应用领域越来越广，SVM等方法也应用到了短期电力负荷预测中。
SVM是一种有监督学习算法[7]，在解决模式识别和回归问题上，应用SVM方法效果更为突出，SVM是将原始的低维输入样本经过一系列非线性变换转换到了更高维度的阀间里，然后通过找到一个最合适的分类平面。
基于PSO-LSSVM算法的造纸过程短期电力负荷预测模型胡雨沙;李继庚;洪蒙纳;满奕【摘要】对造纸厂的用电负荷进行预测有利于对生产调度进行合理安排,从而降低能耗.本课题提出了一种粒子群优化算法(PSO)和最小二乘支持向量机(LSSVM)相结合(PSO-LSSVM)的短期电力负荷预测方法,该方法可对造纸厂未来每30 min的电力负荷进行预测.结果表明,采用PSO-LSSVM算法对短期电力负荷进行预测时,预测结果的相对百分误差绝对值的平均值约为0.75％,精度高于其他行业的电力负荷预测值,模型具有良好的可行性和有效性.【期刊名称】《中国造纸学报》【年(卷),期】2019(034)001【总页数】5页(P50-54)【关键词】数学建模;短期预测;电力负荷;最小二乘支持向量机;粒子群优化【作者】胡雨沙;李继庚;洪蒙纳;满奕【作者单位】华南理工大学制浆造纸工程国家重点实验室,广东广州,510640;华南理工大学制浆造纸工程国家重点实验室,广东广州,510640;华南理工大学制浆造纸工程国家重点实验室,广东广州,510640;华南理工大学制浆造纸工程国家重点实验室,广东广州,510640【正文语种】中文【中图分类】TS7近年来，我国造纸工业产能迅速扩大，纸及纸板产量由2000年的3233万t增长至2017年的11130万t，与此同时，其能耗也从2000年的33.6 Mt标煤增长至2017年的52.1Mt标煤[1]。
快速发展的造纸工业，为我国的节能减排目标带来了一定压力。
制浆造纸生产过程需要消耗大量的电能，其消耗量约占单位产品总能耗的15%～20%。
因此，降低生产过程电耗，对造纸工业的节能减排十分重要。
对造纸厂进行短期电力负荷预测，可指导造纸厂进行合理的生产调度计划，实现能源的合理利用，降低不必要的能耗损失，如制定日前发电计划、制定生产计划和进行削峰填谷的需求侧响应等，同时还可以对用电异常情况进行分析，以及实行智能预购电等[2- 3]。
