基于改进PSO--LSSVM的短期负荷预测系统的设计与实现

摘要

近年来，随着电力改革的不断深化以及电力市场化的逐渐完善，按计划进行发电的生产模式正在逐渐被按需生产的模式所取代。由于电能的特殊性，电力负荷预测成了电力公司进行负荷调度以及电网日常维护等工作的重要依据。传统的负荷预测方法对于平稳的负荷数据有较高的预测精度，然而影响负荷变化的因素日益复杂，并且多因素对负荷的影响表现出非线性和不确定性，使得传统负荷预测方法难以准确描述负荷变化趋势。因而，电力公司迫切需要精度更高的负荷预测方案，以便采取更加科学、高效的管理方式来提高电力系统的安全性和经济性。 最小二乘支持向量机(Least Square Support Vector Machine，LSSVM)能很好的解决具有小样本、非线性、高维、局部极小点等特点的实际问题，并且具有很强的泛化能力，在电力负荷预测领域得到了广泛的应用。在实际运用过程中，LSSVM参数的选择依赖人工经验，缺少相应理论支撑，导致算法精度无法得到保证，因而选择一个适合具体问题的参数十分重要。并且，将研究的负荷预测算法应用于实际项目中更是具有非常重要的学术以及工程价值。本文主要包含以下三个方面内容: (1)分析了影响负荷变化的相关因素;并针对负荷数据中可能存在异常数据的问题，阐述了此类数据的识别与处理方法;为了避免电力负荷数据、气象数据以及节假日数据的单位和数量级的差异对预测影响，给出了相关数据归一化处理方案。 (2)研究LSSVM算法在短期负荷预测中的应用。针对该算法的不足，本文引入粒子群优化算法(Panicle Swarm Optimization，PSO)实现其参数的优化选择，建立了PSO-LSSVM短期负荷预测模型。该算法与LSSVM算法相比，性能有所提升，由于原始PSO存在早熟收敛的弊端，算法性能仍具有提升空间，因而提出了原始PSO的改进策略。首先，对惯性权重这一参数进行改进，采用非线性递减的形式，保证粒子在算法初期具有更广的搜索能力，当算法迭代进入后期，粒子能进行更精细的搜索。其次，是对学习模型的改进，在算法迭代后期，粒子过于相似时，能保证粒子的多样性，避免过多无效的搜索，本文提出一种新的学习模型，能够有效提升算法的搜索性能。最后在以上工作的基础上建立基于改进PSO-LSSVM的短期负荷预测模型。通过实验对比，验证了本文提出的相关改进策略是有效的。 (3)设计并实现了智慧能效管理云平台。该平台基于Java语言开发，采用B/S架构。其中负荷预测系统作为该平台的子系统，基于本文提出的改进PSO-LSSVM算法实现。该系统提供了数据获取、数据处理、负荷预测、数据展示等功能，旨在给电力公司提供一种更加实用且准确的负荷预测方式。