基于遗传算法优化LS-SVM的短期电力负荷预测研究.pdfVIP

第 31卷 第 6期 兰 州 交 通 大 学 学 报 V0L31No．6 2012年 12月 JournalofLanzhouJiaotongUniversity Dee．2012 文章编号：1001—4373(2012)06—0044—05 基于遗传算法优化 LS—SVM 的短期电力负荷预测研究 张政 国 ， 吴延增 (1．兰州交通大学 自动化与电气工程学院，甘肃兰州兰州交通大学 电子与信息工程学院，甘肃 兰州 730070) 摘 要：针对已有方法在选择最小二乘支持向量回归机( SVM)模型参数上存在的不足，利用遗传算法(GA)全 局寻优的优势，建立了经GA优化的LS-SVM 回归预测模型，数据来源于美国新格兰地区2005~2006年电力负荷 数据，以2005-01-01至2005·12-31期间每 日24点负荷数据作为训练，以历史负荷数据、温度、湿度以及计算前一天 相同时刻、前一周相 同时刻负荷等8个因素作为输入，建立经GA优化的LS—SVlVl负荷预测模型，并同时建立了 BP神经网络、标准支持向量机、最小二乘支持向量机预测模型，对 2006年 1月第1周的168个点负荷进行预测，实 例预测结果表明：利用该方法进行电力负荷预测比起 BP神经网络、标准支持份向量机和最小二乘支持向量机方法 有更高的预测精度． 关键词：电力负荷；遗传算法；最小二乘支持向量机；负荷预测 中图分类号：TP274 文献标志码：A 电力负荷的预测精度对于电力系统调度以及发 选择LS—SVM模型参数上存在的不足，建立基于 电计划的制定是至关重要的，伴随着社会的发展，电 GA与LS-SVM相结合的回归机模型，通过遗传算 力行业必将由垄断走向竞争，在未来国家统一坚强 法对LS-SVM 的模型参数进行 自动的搜索和确定， 智能电网的大背景下，电力负荷预测将扮演更为重 并应用于美国新英格兰地区的短期电力负荷预测 要的角色[1]．为提高电力负荷预测的精度，已提出 中，以此来验证本文所提出预测方法的有效性． 过一些预测方法[3]，比如基于时间序列法、模糊理 1 电力负荷预测分析 论、神经网络、支持 向量机 (SupportVectorMa- 1．1 电力负荷分类及其特性 chineSvM)等，其中时间序列预测对于非线性时序 预测效果较差[4]，对于模糊理论，虽考虑了负荷的一 由于在 电力系统中的电力负荷类别是多样性 些不确定因素，但由于电力负荷的时变性，其预测精 的，而总的负荷预测值是各种类型负荷预测的总和， 度很低[5]，而人工神经网络对于处理这种非线性系 因此进行电力负荷预测的前提是对电力负荷的特性 统具有一定的优势，预测效果较好，但 网络构成复 进行分析和研究．通常情况下，电力负荷可以分为工 杂，运行速度慢 [6]，SVM 以最小结构风险代替了传 业负荷、城市居民用电负荷、农村用电负荷以及其它 统的经验风险，求解二次型寻优问题，近来已有一些 负荷，其它负荷则主要指交通运输业用电负荷和动 将回归SVM 用于电力负荷预测方面的研究[7剖，均 力用电负荷，它们所 占比重都较小．其中交通运输业 取得了较好 的效果，最tbZ．乘支持向量机 (Ieast 用电比较稳定，随着各地区高速铁路和城市轨道交 SquaresSupportVectorMachineLS-SVM)通过改 通建设步伐的大步迈进，交通运输业的用电量也将