基于和声搜索最小二乘支持向量机的短期电力负荷预测模型研究

《基于和声搜索最小二乘支持向量机的短期电力负荷预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于和声搜索最小二乘支持向量机的短期电力负荷预测模型研宄(1.华北电力大学，北京市昌平区德胜门外朱辛庄102206;2.安徽正广电电力技术有限公司安徽合肥市230000)摘要：电力系统短期负荷预测是电力系统安全和经济运行的重要基础，最小二乘支持向量机(LeastSquareSupportVectorMachine,LSSVM)是目前常用的短期负荷预测工具。本文利用和声搜索算法(harmonysearchalgorithm,HSA)改进了最小二乘支持向量机算法，并提出了HSA-LSSVM负荷预测模型，算例仿真验证了本文模型无论在短期负荷预测精度还是速度方面，都较之基于网格搜索的LSSVM预测模

2、型获得丫显著的提高。关键词：最小支持向量机；短期负荷预测；和声搜索算法；核函数Abstract:Shorttermloadforecastingisanimportantbasisforpowersystemsecurityandeconomicoperation,andLeastSquareSupportVectorMachine(LSSVM)algorithmisacommonlyusedshort-termloadforecastingtoolthesedays.ThispapermodifiesLSSVMwithharmonysearchalgorithm(HSA),andpropo

3、sesaHSA-LSSVMloadforecastingmodel.Simulationofshorttermloadforecastingverifiesthesuperiorityofourproposedmodeltothegridsearch-basedLSSVMmodelintermsofspeedandaccuracy.Keywords:LSSVM;Shorttermloadforecasting;HSA;Kernelfunction1引言电力系统负荷预测对于制订电力系统规划、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。负荷预测是电力系统研宂的一个传统领域，即通过结合实

4、际的社会经济发展、地区气象天气条件和电网运行维护等因素，对历史负荷数据进行深度研究和全面分析，探索实际负荷与影响因素之间复杂的变化规律和经济联系，进而实现精确预测未来某一特定时刻的电力负荷。冋吋负荷预测是电力系统调度和规划等管理部门的一项重要任务与指标，是对电力系统实施控制、制定电网运行计划和长期规划发展的前提。精确的预测，对于冇效制定发供电计划、经济合理的安排机组启停，实行机组检修计划，维持电网安全稳定运行，降低设备和系统储备容量，减少发电成本等都奋很重要的意义。电力负荷预测问题已上升为电力系统的一项重要不可轻视的任务［1】。根据电力负荷预测吋间长短和应用场合的区别，一般将负荷预测划分为长

5、期、中期、短期和超短期四种负荷预测。其中，短期负荷预测被一致认为是电力系统领域中最重要的负荷预测。短期负荷预测是指对未来一天到七天的负荷进行精确预测，是能量管理系统中重要组成部分，对于发电市场具有深远影响。此外，短期负荷预测数据还是校验电力系统安全的重要指标。综上，无论是从系统运行的经济性和安全性来说，精确的短期电力负荷预测有重要的价值和意义。0前国内外研宄人员己经将很多种方法用于电力负荷预测领域，并取得了不同程度的成功。这些方法大致可分为两类：传统预测方法和人工智能方法。传统的短期负荷预测方法以趋势时间序列法、外推法、灰色模型法等为主，这些算法的原理简单、速度快［2】。但由于电力负荷变化过

6、程是一个高度复杂的非线性过程，传统方法难以建立有效的数学模型，致使预测结果精度不高。人工智能方法主要包括模糊逻辑方法和人工神经网络方法、冋归分析法等［3】。针对某地区原始电量数据作为分析的基础，运用不同的方法进行算法的运用［4】。艽中，人工神经网络方法有着成熟的理论基础，在实际电力系统中广泛放用,然而它也都有着很多缺陷，实际预测效果差强人意。随着预测理论的不断发展，基于统计学4理论的支持向量机采用结构风险最小化原则，克服了神经网络的过拟合、收敛速度慢、容易陷入局部极值等缺点，其泛化推广能力优异。Ml吋带冇冗余信息的因素会影响祌经网络的输出，使神经网络结构复杂，泛化能力下降，导致预测结果达不到

7、最有结果［5］。从实际预测效果来看，作为传统学A）机器，人工神经网络方法采用经验风险最小化归纳原则，而支持向量机实现了结构风险最小化的归纳原则。此外，支持向量机的训练相当于讨论一个线性约束的二次规划问题，因此存在全局最优点，解决了人工祌经网络中的局部极值问题。随着不敏感损失函数的引入，支持向量机从最初单独用来解决模式识别问题，扩展到解决非线性冋归估计得问题，其模型求解算法简单、泛化和收敛速度快，在解决小样本、