26、基于动态惯性权重粒子群优化算法优化LS - SVM的短期负荷预测模型

基于动态惯性权重粒子群优化算法优化LS - SVM的短期负荷预测模型

1. 引言

短期负荷预测是电力系统负荷预测中最为重要的部分。长期以来，多数负荷预测理论和方法基于时间序列分析、统计模型，如线性回归模型、随机过程、自回归滑动平均（ARMA）模型以及Box - Jenkins方法等。

随着人工智能的快速发展，一些具有出色学习能力的预测方法在短期负荷预测中得到了广泛应用，比如人工神经网络（ANN）、模糊逻辑方法以及基于自组织映射（SOM）的混合架构等。近年来，支持向量机（SVM）由于在全局优化和唯一解方面的优势，有取代神经网络的趋势，部分学者将其应用于短期负荷预测研究并取得了较为理想的结果。

最小二乘支持向量机（LS - SVM）是一种新型的SVM，它采用等式约束代替不等式约束，并引入最小二乘误差项，以在对偶空间中获得一组线性方程，计算效率较高。然而，它们都面临一个突出问题，即如何设置可能影响算法性能的关键参数，以获得更好的预测结果。许多文章通过交叉验证或经验来选择参数，存在一定的盲目性，影响了LS - SVM模型的有效性。

本文提出了一种动态惯性粒子群优化算法（PSO）来优化LS - SVM的参数。通过改进权重调整，PSO模型的收敛速度加快，且不易陷入局部最优解，改进后的PSO搜索到的最佳参数将确保LS - SVM模型达到最佳性能。同时，使用MATLAB 2006R对实际电网进行了日前负荷预测的模拟，对比了本文提出的模型和BP - NN模型的性能。

2. 用于回归问题的LS - SVM

给定训练样本 ${(X_i, y_i)} {i = 1}^{N}$，其中 $N$ 是训练数据对的总数，$X_i \in R