基于PSOEM-LSSVM的中長期電力負荷預測及其應用研究.pdf

1、電力負荷預測是供電部門的一項重要工作，對電力負荷進行準確地預測，能夠保持電網(wǎng)運行的穩(wěn)定性，以保證人們的正常生活和社會的正常生產，對于降低發(fā)電的成本行之有效，達到社會效益和經濟效益的不斷提高。因此，目前衡量一個電力企業(yè)的管理是否走向現(xiàn)代化的一個顯著標志就是電力負荷的預測水平，特別是對于我國現(xiàn)在前所未有發(fā)展的電力事業(yè)，解決電力負荷預測的問題已經成為我們面臨的一項艱巨而重要的任務。
　　電力負荷預測一般被分為超短期、短期、中期和長期電力

2、負荷預測。作為電力規(guī)劃部門的一項重要工作，中長期電力負荷預測有助于決定待新建的發(fā)電機組或變電站的時間、位置、類型以及容量大小，有助于決定電網(wǎng)的規(guī)劃，決定電網(wǎng)的建設和發(fā)展。
　　預測的技術方法是電力負荷預測的核心問題，隨著現(xiàn)代社會的不斷進步和科學技術的不斷發(fā)展，負荷預測的技術方法也逐步地發(fā)展和深入。本文在分析電力負荷預測的基礎上，建立基于帶擴展記憶粒子群算法（Particle Swarm Optimization with Exte

3、nded Memory, PSOEM）優(yōu)化最小二乘支持向量（Least Square Support Vector Machine, LSSVM）的中長期負荷預測模型。支持向量機（Support Vector Machine, SVM）是基于統(tǒng)計學習理論的機器學習方法，對于傳統(tǒng)算法中的局部極小點、高維數(shù)、非線性和小樣本等問題，SVM方法都可以較好地解決。支持向量機被認為是替代神經網(wǎng)絡最好的方法，它很好地避免了神經網(wǎng)絡方法存在收斂速度慢、

4、易陷入局部極小點、泛化能力較差和網(wǎng)絡結構選擇困難等缺點。而最小二乘支持向量機降低了標準支持向量機的計算復雜性，加快了求解速度和抗干擾能力，是一種對支持向量機的擴展方法。針對標準粒子優(yōu)化群算法（Particle Swarm Optimization, PSO）在搜索最優(yōu)解過程中方向性差、目的性弱的缺點，本文利用帶擴展記憶的粒子群優(yōu)化算法尋優(yōu)選擇最小二乘支持向量機的參數(shù)，避免了參數(shù)選擇的盲目性，實現(xiàn)了參數(shù)尋優(yōu)的自動化，從而建立PSOEM-L