帶擴(kuò)展記憶的粒子群優(yōu)化算法及其在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中應(yīng)用.pdf

1、隨著電力市場(chǎng)的逐步民營(yíng)化和自由化，電力負(fù)荷需求的預(yù)測(cè)對(duì)于電網(wǎng)的規(guī)劃、能量消耗及安全運(yùn)行影響越來(lái)越重大，引起一些國(guó)家和地區(qū)的高度重視和廣泛關(guān)注。
　　最近幾十年，眾多專家學(xué)者就如何提高電力負(fù)荷預(yù)測(cè)精度提出了各種各樣的方法。經(jīng)典的基于數(shù)學(xué)統(tǒng)計(jì)方法的預(yù)測(cè)模型，由于很難表明影響負(fù)荷相關(guān)因素復(fù)雜的非線性關(guān)系，無(wú)法達(dá)到令人滿意的預(yù)測(cè)精度。
　　實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化（Structuralriskminimization，SRM）而不是像傳統(tǒng)

2、的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的支持向量機(jī)（SupportVectorMachine，SVM）成為負(fù)荷預(yù)測(cè)方法研究的熱點(diǎn)。SRM最小化泛化誤差而不是訓(xùn)練誤差，使得SVM具有最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。此外，SVM等價(jià)于解線性凸二次規(guī)劃問(wèn)題，這樣SVM的解總能獲取全局唯一最優(yōu)值。正是SVM在求解非線性回歸問(wèn)題方面有這些獨(dú)特的優(yōu)勢(shì)，將SVM引入到短期負(fù)荷預(yù)測(cè)中是可行的。
　　針對(duì)標(biāo)準(zhǔn)粒子群優(yōu)化算法在搜索最優(yōu)解過(guò)程中方向性差、目的性弱的缺陷，本文將帶

3、擴(kuò)展記憶的粒子群優(yōu)化算法（ParticleSwarmOptimizationwithExtendedMemory，PSOEM）與SVM結(jié)合，建立PSOEM-SVM預(yù)測(cè)模型。利用PSOEM優(yōu)化SVM的參數(shù)，實(shí)現(xiàn)參數(shù)尋優(yōu)的自動(dòng)化，避免參數(shù)選擇的盲目性。既能發(fā)揮SVM的泛化能力，又能改善粒子群優(yōu)化算法全局搜索能力，提高搜索的精度和速度。
　　然而，提高預(yù)測(cè)精度還需要充分了解和準(zhǔn)確把握負(fù)荷變化規(guī)律和外界因素影響。利用經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpi

4、ricalModeDecomposition，EMD）方法，在歷史負(fù)荷數(shù)據(jù)的預(yù)處理階段，將非線性非平穩(wěn)的電力負(fù)荷序列分解為若干個(gè)獨(dú)立的本征模態(tài)函數(shù)（IntrinsicModeFunction，IMF）和余項(xiàng)，對(duì)各個(gè)分量分別進(jìn)行分析，揭示負(fù)荷變化特性和環(huán)境因素影響。在對(duì)各分量特性及影響因素進(jìn)行分析的基礎(chǔ)上，選擇合適的核函數(shù)，分別建模預(yù)測(cè)，再將各分量的預(yù)測(cè)結(jié)果重構(gòu)得出最終的預(yù)測(cè)值。
　　為了進(jìn)一步減少計(jì)算量，提高運(yùn)算速度，針對(duì)分解的各