野草算法和支持向量机相融合的短期负荷预测.docVIP

野草算法和支持向量机相融合的短期负荷预测 　　摘 要： 短期负荷受到天气、季节的综合影响，具有一定的混沌性，为了准确描述短期负荷的变化趋势，以提高预测精度，提出一种野草算法和支持向量机相融合的短期负荷预测模型（WA?SVM）。首先收集大量的短期负荷历史数据，并对它们进行混沌分析和处理，建立支持向量机的训练和测试样本集；然后采用支持向量机建立短期负荷预测模型，并通过野草算法找到支持向量机最优参数；最后采用短期负荷预测仿真对比实验测试其性能。结果表明，WA?SVM获得了比其他模型更高的短期负荷预测精度，为短期负荷建模与预测提供了一种新的研究方法。 　　关键词： 电力系统； 短期负荷； 野草算法； 相空间重构 　　中图分类号： TN915?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）19?0099?03 　　Abstract： The short?term load has the chaos characteristic due to the comprehensive influence of weather and seasons. In order to describe the change trend of short?load accurately and improve the prediction accuracy， a short?term load forecasting model fusing weed algorithm with support vector machine （WA?SVM） is proposed. A large number of short?term load historical data is collected， and performed with the chaotic analysis and processing to establish the training and testing data sets of support vector machine. And then the support vector machine is used to establish the short?term load forecasting model， and the weed algorithm is used to find out the optimal parameters of support vector machine. The performance of the short?term load forecasting was tested with simulation contrast experiment. The results show that the short?term load forecasting accuracy of WA?SVM model is higher than that of other models， and this model provides a new research method for short term load modeling and forecasting. 　　Keywords： electric power system； short?term load； weed algorithm； phase space reconstruction 　　0 引 言 　　随着经济不断发展，电力系统在许多领域越来越重要，为了准确、有效地管理电力系统，电力负荷是其中一种重要手段。负荷预测是对历史数据进行分析，找到负荷变化趋势，以便于对电力系统进行相应的管理，短期负荷预测的实际应用性强，因此提高短期负荷预测的精度已成为电力系统研究中的一个热点问题[1]。 　　当前短期负荷预测模型划分为线性模型和非线性模型[2]。线性模型假设短期负荷呈线性趋势变化，主要采用时间序列方法[3?4]，其易实现、结果解释性好。但负荷受到多种因素影响，变化十分复杂，具有时变性、非线性，时间序列方法无法捕捉到负荷数据隐含的变化趋势，预测结果不理想[5]。非线性模型有神经网络、支持向量机（Support Vector Machine，SVM）等，相对于线性模型，它们可以更好地拟合短期负荷变化特征，获得更高的短期负荷预测精度[6?7]。但在短期负荷的建模与预测中，非线性模型同样有不足，如神经网络存在收敛速度慢、过拟合[8]；SVM参数直接影响到短期负荷预测精度[9]，为了获得更优的SVM参数，当前采用网格搜索法、遗传算法等进行SVM参数寻优，但在实际应用过程中，网格搜索法执行