基于PSOEM-LSSVM的中長期電力負(fù)荷預(yù)測及其應(yīng)用研究.pdf

1、電力負(fù)荷預(yù)測是供電部門的一項(xiàng)重要工作，對電力負(fù)荷進(jìn)行準(zhǔn)確地預(yù)測，能夠保持電網(wǎng)運(yùn)行的穩(wěn)定性，以保證人們的正常生活和社會的正常生產(chǎn)，對于降低發(fā)電的成本行之有效，達(dá)到社會效益和經(jīng)濟(jì)效益的不斷提高。因此，目前衡量一個(gè)電力企業(yè)的管理是否走向現(xiàn)代化的一個(gè)顯著標(biāo)志就是電力負(fù)荷的預(yù)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(fù)荷預(yù)測的問題已經(jīng)成為我們面臨的一項(xiàng)艱巨而重要的任務(wù)。
　　電力負(fù)荷預(yù)測一般被分為超短期、短期、中期和長期電力

2、負(fù)荷預(yù)測。作為電力規(guī)劃部門的一項(xiàng)重要工作，中長期電力負(fù)荷預(yù)測有助于決定待新建的發(fā)電機(jī)組或變電站的時(shí)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(shè)和發(fā)展。
　　預(yù)測的技術(shù)方法是電力負(fù)荷預(yù)測的核心問題，隨著現(xiàn)代社會的不斷進(jìn)步和科學(xué)技術(shù)的不斷發(fā)展，負(fù)荷預(yù)測的技術(shù)方法也逐步地發(fā)展和深入。本文在分析電力負(fù)荷預(yù)測的基礎(chǔ)上，建立基于帶擴(kuò)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(fù)荷預(yù)測模型。支持向量機(jī)（Support Vector Machine, SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，對于傳統(tǒng)算法中的局部極小點(diǎn)、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(jī)被認(rèn)為是替代神經(jīng)網(wǎng)絡(luò)最好的方法，它很好地避免了神經(jīng)網(wǎng)絡(luò)方法存在收斂速度慢、

4、易陷入局部極小點(diǎn)、泛化能力較差和網(wǎng)絡(luò)結(jié)構(gòu)選擇困難等缺點(diǎn)。而最小二乘支持向量機(jī)降低了標(biāo)準(zhǔn)支持向量機(jī)的計(jì)算復(fù)雜性，加快了求解速度和抗干擾能力，是一種對支持向量機(jī)的擴(kuò)展方法。針對標(biāo)準(zhǔn)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(diǎn)，本文利用帶擴(kuò)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(jī)的參數(shù)，避免了參數(shù)選擇的盲目性，實(shí)現(xiàn)了參數(shù)尋優(yōu)的自動化，從而建立PSOEM-L