14、《基于PSO - LSSVM算法的造纸厂短期电力负荷预测模型研究》

《基于PSO - LSSVM算法的造纸厂短期电力负荷预测模型研究》

1. 不同输入变量选择方法下的预测对比

在电力负荷预测中，选择合适的输入变量对预测结果的精度至关重要。这里采用了两种不同的输入变量选择方法：相关函数法和滞后自相关函数法。

以两个实际案例来进行分析。在案例1中，图4展示了使用这两种不同输入变量集的预测模型的预测能力对比，图4B为误差情况。其中，“设备”代表使用相关函数选择输入变量的预测结果，“过去时间”代表使用滞后自相关函数选择输入变量的预测结果。

为了评估哪种输入变量选择方法更优，使用均方根误差（RMSE）和平均绝对百分比误差（MAPE）对案例1中不同输入变量的预测模型结果进行分析，结果如下表所示：
|评估指标|RMSE (kWh)|MAPE (%)|
| ---- | ---- | ---- |
|设备|303.87|6.95|
|过去时间|9.252|0.17|

从预测结果来看，对于案例1，使用相关函数为短期电力负荷预测（STELF）模型选择输入变量并不合适。相反，使用滞后自相关函数选择输入变量的STELF模型显示出了很高的预测精度。该模型的误差在[-100, 100]之间，相对误差百分比（REP）在[-2%, 2%]之间，满足工业要求的[-5%, 5%]范围。而且，使用滞后自相关函数选择输入变量的预测模型的MAPE比使用相关函数选择输入变量的模型小35倍。

案例2的实时负荷数据来自中国湖北的一家实际造纸企业，数据保留了60天，采集频率为每30分钟一次。使用特定的数据预处理方法对原始数据进行处理，处理后的电力负荷数据如图5所示。同样采用与案例1相同的方法选择输入变量，预测结果如图