短期负荷预测是电力系统安全经济运行的前提,随着电力系统的市场化,高质量的负荷预测越来越显得重要和迫切。本论文将支持向量机方法(SVM)引入电力系统短期负荷预测,以期提高负荷预测的准确性。 论文首先进行了详尽的负荷特性研究,为支持向量机输入特征向量的选择及负荷预测模型的建立提供依据。接下来研究了目前通用的交叉验证试算法确定支持向量机参数的负荷预测模型,发现该参数选择方法费力、耗时、盲目,且无法实现参数的自动选择。研究了样本输入特征选择对预测精度的影响,结果显示,输入特征中包含气象、日期和历史负荷等信息时,预测精度更高,且不会增加训练时间。对不适合采用支持向量机方法做负荷预测的重大节假日,提出了简单易行且精确度较好的叠加年负荷增长量法进行预测以为补充。 针对交叉验证试算法选择支持向量机参数的缺点,文章最后重点研究了用粒子群算法(PSO)来优化支持向量机的参数以实现参数的自动选择问题。文章提出了PSO优化参数的SVM回归预测模型,并将其用于短期电力负荷预测。仿真结果显示,它具有令人满意的稳定性和预测精度。