下载文档原格式
引言电力系统负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一，无论是对于制订电力系统规划还是实现电力系统自动化、安全发供电等都有着十分重要的意义。
提高电力系统负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于提高电力系统的经济效益和社会效益。
目前，神经网络在短期电力负荷中已经得到了广泛的应用，但由于神经网络本身还具有一些难以克服的缺陷。
如过拟合、收敛速度慢、容易陷入局部极值等缺点[1]。
从而使支持向量机模型得到了广泛的关注。
文献[2]相继将回归支持向量机方法用于电力系统短期负荷预测，文献[3]提出了基于小波基的回归支持向量机负荷预测模型，文献[4]研究了负荷预测支持向量机模型的在线学习。
当使用支持向量机作为分类器时，就不得不考虑支持向量机的参数问题，文献[2-6]讨论摘要：提出了结合遗传算法（Genetic Algorithm ，GA ）和最小二乘支持向量机（Least Squares Support Vector Machines ，LS-SVM ）的短期电力负荷预测。
由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性，提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择，然后利用提取出的数据序列和选择的参数，建立最小二乘支持向量机预测模型。
通过实际算例分析，证明了该算法可以改善预测模型的精度和泛化能力。
关键词：电力系统，遗传算法，最小二乘支持向量机，特征提取，短期负荷预测中图分类号：TP301.6文献标识码：A基于最小二乘支持向量机的短期电力负荷预测曹彦1，王倩1，周驰2（1.周口师范学院计算机科学与技术学院，河南周口466000；2.许昌供电公司，河南许昌461000）Short-term Load Forecasting Based on LeastSquares Support Vector MachinesCAO Yan 1,WANG Qian 1,ZHOU Chi 2（1.Zhoukou Normal University,Zhoukou 466001，China ，2.Xuchang Power Supply Company ，Xuchang 461000，China ）Abstract ：A short-term load forecasting method that is based on genetic algorithm (GA)and leastsquares support vector machines (LS-SVM)is proposed.Because there are various factors impacting the accuracy of load forecasting and uncertain parameters to LS-SVM,the paper proposes to select features and parameters using genetic algorithm.Then,the LS-SVM model is build based on the selected featuresand parameters.Simulation results show that the algorithm can improve prediction model accuracy and generalization ability.Key words ：power system,genetic algorithm,least squares support vector machines,feature selection,short-term load forecasting文章编号：1003-5850（2013）03-0038-04收稿日期：2012-12-11，修回日期：2013-02-10基金项目：中国青年基金重点项目（2012QNA01）作者简介：曹彦，女，1985年生，讲师、硕士，研究方向：数据挖掘。
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ARIMA和LS-SVM组合模型的短期负荷预测刘国徽;刘小满;余雪芳;王勇【摘要】经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力.【期刊名称】《广东电力》【年(卷),期】2010(023)011【总页数】4页(P14-17)【关键词】短期负荷预测;ARIMA模型;LS-SVM模型;偏差修正【作者】刘国徽;刘小满;余雪芳;王勇【作者单位】东北电力大学,吉林,吉林,132012;东北电力大学,吉林,吉林,132012;东北电力大学,吉林,吉林,132012;东北电网有限公司长春超高压局,吉林,长春,130041【正文语种】中文【中图分类】TM715电力系统短期负荷预测方法可分为2大类：以时间序列法为代表的传统方法和以人工神经网络为代表的现代智能方法。
传统方法主要是基于数理统计的时序分析方法，主要有回归分析法[1]、Kalman滤波法[2]、Box-Jenkins的累积式自回归动平均法(autoregressive integrated moving average，ARIMA)[3-4]等。
传统方法应用成熟、算法简单且速度快，但由于都是线性模型方法，对预测强非线性问题有所局限。
现代智能方法以智能学习为特征，主要有专家系统[5]、人工神经网络(artificial neural network，ANN)[6]和支持向量机(support vector machine，SVM)[7-8]等。
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优化LS-SVM的短期风速预测随着能源需求的不断增加，在风电领域，短期风速预测已经成为了至关重要的问题。
短期风速预测的准确性直接影响着风电发电量的稳定性和经济效益。
然而，由于风速的不可控性、时空随机性，使得短期风速预测成为了一个具有难度的问题。
因此，通过利用机器学习算法来提高短期风速预测的准确性成为了一种研究方向。
在机器学习算法中，支持向量机(SVM)已被广泛应用于短期风速预测。
然而，后来的研究表明，传统的SVM算法在寻找合适的参数时，存在依赖于启发式算法的问题，对算法的性能和效率会产生巨大的影响。
为提高短期风速预测的准确性， PSO优化LS-SVM 的算法逐渐被引入到短期风速预测中。
PSO算法是一种基于群体智能的搜索算法，具有简单、快速、准确等优点。
LS-SVM则是一种非常有效的SVM改进算法，它将SVM的参数调整转化为线性方程组求解问题，能够大大加快寻找最优参数的速度。
因此，PSO优化LS-SVM结合起来，能够有效地提高短期风速预测的准确性和效率。
下面我们具体介绍一下PSO优化LS-SVM的算法原理以及在短期风速预测中的应用：首先，介绍一下PSO算法的原理：PSO算法是一种基于群体智能的搜索算法，主要由位置、速度和适应度三个组成部分构成。
其中，位置是搜索空间中的一个可行解的点，速度是搜索空间内的每个个体前往目标点的速度，适应度则是用来衡量每个个体的优劣程度。
通过不断迭代，在群体机理的作用下，所有个体逐渐向最优解点的位置移动，从而实现全局最优化搜索。
其次，介绍LS-SVM的原理：SVM算法本质上是一个二次优化问题，其需要找到一个使得目标函数最小化的最优解。
然而，SVM算法的优化时间较长，LS-SVM 则通过转化为线性方程组求解问题的方式，大大增加了算法的效率和准确性。
最后，介绍PSO优化LS-SVM的算法流程：1. 首先，输入需要预测的风速时间序列和历史数据，对数据进行处理和预处理；2. 将历史数据集作为训练数据，将风速当作目标变量，使用PSO算法对 LS-SVM 进行优化；3. 在训练过程中，利用PSO算法对 LS-SVM算法的多个参数进行调整，得到最佳的参数组合；4. 将最佳参数组合应用于测试集的预测，并通过误差指标来评估预测精度，如均方根误差（RMSE）、平均绝对误差（MAE）和平均相对误差（MRE）等；5. 通过上述评估指标来评估此算法的性能和效率。
LSSVM与PSO—LSSVM在短期电力负荷预测中的优劣尹中诚【摘要】短期电力负荷预测的精度关乎电力企业的经济效益,预测模型决定精度的高低.针对预测模型的适用性和稳定性,采用基于统计学习理论的机器学习LSSVM 和PSO—LSSVM算法对广东某一区域电力负荷进行预测.结果显示:工作日、双休日和节假日,PSO—LSSVM算法预测准确度明显大于LSSVM预测;此外LSS-VM 和PSO—LSSVM算法对工作日和双休日24小时每时刻的预测误差约在2％左右.因此,选择预测模型时,一方面要考虑不同地区各种影响因素,另一方面要根据样本量大小,选择合适、有效的模型,从而提高预测准确度.【期刊名称】《青海电力》【年(卷),期】2019(038)002【总页数】6页(P53-57,67)【关键词】短期电力负荷预测;预测模型;机器学习;准确度【作者】尹中诚【作者单位】广东珠海金湾发电有限公司,广东珠海519000【正文语种】中文【中图分类】TM715+.10 引言短期负荷预测是以时间维度周、日、时为主，用于电力系统的调度〔1〕。
电力负荷预测准确度是决定未来用电量变化趋势的关键，对于以电力为主的各大企业进行统筹、规划、部署、运行等策略也至关重要〔2〕。
但是，在现实应用环境中电力负荷的预测往往受地域、湿度、温度等因素的影响，使实际应用时预测模型预测精度参差不齐〔3-5〕。
目前，基于统计学习理论的预测模型—支持向量机(support vector machine，SVM),粒子群算法(The particle swarm optimization，PSO)，以及神经网络模型等广泛应用于短期电力负荷预测中。
文献〔6〕采用SVM理论，搭建一种短期负荷模型，与传统模型相比精度提高。
文献〔7〕采用粒子群算法对SVM回归参数进行寻优选择，使基于统计的机器学习理论SVM算法在最优参数下提高了预测精度。
文献〔8〕分析BP神经网络和Elman神经网络建立的短期负荷预测模型，结果表明Elman网络预测精度高于BP神经网络模型。
