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

1、隨著電力市場的逐步民營化和自由化，電力負荷需求的預(yù)測對于電網(wǎng)的規(guī)劃、能量消耗及安全運行影響越來越重大，引起一些國家和地區(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荷預(yù)測精度提出了各種各樣的方法。經(jīng)典的基于數(shù)學(xué)統(tǒng)計方法的預(yù)測模型，由于很難表明影響負荷相關(guān)因素復(fù)雜的非線性關(guān)系，無法達到令人滿意的預(yù)測精度。
　　實現(xiàn)結(jié)構(gòu)風(fēng)險最小化（Structuralriskminimization，SRM）而不是像傳統(tǒng)

2、的神經(jīng)網(wǎng)絡(luò)實現(xiàn)經(jīng)驗風(fēng)險最小化的支持向量機（SupportVectorMachine，SVM）成為負荷預(yù)測方法研究的熱點。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等價于解線性凸二次規(guī)劃問題，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題方面有這些獨特的優(yōu)勢，將SVM引入到短期負荷預(yù)測中是可行的。
　　針對標(biāo)準(zhǔn)粒子群優(yōu)化算法在搜索最優(yōu)解過程中方向性差、目的性弱的缺陷，本文將帶

3、擴展記憶的粒子群優(yōu)化算法（ParticleSwarmOptimizationwithExtendedMemory，PSOEM）與SVM結(jié)合，建立PSOEM-SVM預(yù)測模型。利用PSOEM優(yōu)化SVM的參數(shù)，實現(xiàn)參數(shù)尋優(yōu)的自動化，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)測精度還需要充分了解和準(zhǔn)確把握負荷變化規(guī)律和外界因素影響。利用經(jīng)驗?zāi)Ｊ椒纸猓‥mpi

4、ricalModeDecomposition，EMD）方法，在歷史負荷數(shù)據(jù)的預(yù)處理階段，將非線性非平穩(wěn)的電力負荷序列分解為若干個獨立的本征模態(tài)函數(shù)（IntrinsicModeFunction，IMF）和余項，對各個分量分別進行分析，揭示負荷變化特性和環(huán)境因素影響。在對各分量特性及影響因素進行分析的基礎(chǔ)上，選擇合適的核函數(shù)，分別建模預(yù)測，再將各分量的預(yù)測結(jié)果重構(gòu)得出最終的預(yù)測值。
　　為了進一步減少計算量，提高運算速度，針對分解的各