基于主成分与粒子群算法的LS-SVM短期负荷预测

摘要：

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义.最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域.本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.

关键词：负荷预测、主成分分析、粒子群优化、最小二乘支持向量机

所属期刊栏目：49

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：中央高校基本科研业务费专项资金资助11QX80

在线出版日期：2012-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：5-9