智能优化LS-SVM在电力负荷预测中的应用.pdf

第29卷 第5期 计 算 机 仿 真 2012年5月 文章编号：1006—9348(2012)05—0310—05 智能优化 LS—SVM 在 电力负荷预测中的应用 李浩峰 ，马婷婷 ，李芳琼 ，蔡 立 (1．贵州大学继续教育学院，贵州 贵阳550025；2．贵州广播电视大学网络教育学院，贵州 贵阳550004； 3．贵州民族学院理学院，贵州 贵阳550025；4．贵州民族学院计算机信息工程学院，贵州贵阳550025) 摘要：研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种 因素的影响，系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题，提 出了一种核函数KPCA和KICA的最小二乘支持向量机(LS—SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包 去噪预处理，同时对不同频段的负荷分量进行区别处理以提高预测精度；利用核函数 KPCA和KICA分析方法提取数据特 征，提高预测模型的泛化能力和预测精度：采用混沌粒子群算法优化LS—SVM参数提高预测模型的收敛速度。实验表明，改 进算法在预测精度、泛化能力及收敛速度方面较突出，具有 良好的预测效果。 关键词：短期预测；最小二乘支持向量机；小波包；核主成分分析；核独立成分分析；混沌粒子群算法 中图分类号 ：TP301．1 文献标识码 ：B OptimalLeastSquaresSupportVectorM achine M odelforShort——term PowerLoadForecasting LIHao—feng ，MA Ting—ting ，LIFang—qiong ，CAILi (1．SchoolofContinueEducation，GuizhouUniversity，GuiyangGuizhou550025China； 2．SchoolofNetworkEducation，GuizhouRadioandTV University，GuiyangGuizhou550004China； 3．SchoolofScience，GuizhouUniversityforNationalities，GuiyangGuizhou550025China； 4．SchoolofComputerInformationEngineering，GuizhouUniversityofrNationalities，GuiyangGuizhou550025China) ABSTRACT：Short—temr powerloadpredictionforecastmodelhasextremelyvitalsignificancetothereliabilityande— conomicalefficiencyofpowersystem．Currently，short-term loadforecastingalgorithm isnotenoughinpredictionac— curacy，convergencespeedandgeneralizationability．Waveletpackettransform wasusedtofiltersignalswithnoise． Kernelprincipleconponentanalysisandkernelindependentcomponentanalysiswereusedindatafeatureselection． Thenchaosparticleswarm optimizationalgorithm wasusedtodetemr inateoptimalparameterinLS—SVM ．Thisintelli— gentoptimizationalgorithm hasbeentestedonshort—te