短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSSVM 为短期电力负荷预测提供了一个新的研究方向，本文将LSSVM用于短期电力负荷预测 , 提出基于LSSVM的短期电力负荷预测模型 , 同时建立基于麻雀算法(SSA)模型对LLSVM进行参数优化以提高预测精度。但研究表明，直接对原始序列建立时间序列预测模型，会出现预测数据滞后于实际数据，这样的模型没有意义，这主要是因为时间序列数据中存在的自相关性造成的，因此我采用VMD分解方法对原始序列进行分解，然后对每个序列分别建模，最后把各序列测试集的结果相加作为最终结果。对比分析结果显示，该模型的预测精度优于其他多种预测模型，该模型在短期负荷预测方面表现出较好的性能。
1、相关理论
1.1 变分模态分解
文章图片
1.2 最小二乘支持向量机
文章图片
1.3 麻雀搜索算法
麻雀搜索算法(Sparrow Search Algorithm, SSA)是一种新型的群智能优化算法，在2020年提出，主要是受麻雀的觅食行为和反捕食行为的启发。因为这个算法是2020年出来的，知网目前还没有相关论文，想水论文的有很大机会。
2. 实验结果
2.1 基于ssa-lssvm的预测模型
直接上结果。
文章图片
表面上看着还可以，而实际上，下面是结果分析：
结果分析（LSSVM）
根均方差(RMSE)：7.1226
平均绝对误差（MAE）：4.4631
平均相对百分误差（MAPE）：11.5456%
结果分析（SSA-LSSVM）
根均方差(RMSE)：6.2475
平均绝对误差（MAE）：4.0862
平均相对百分误差（MAPE）：10.0895%
同时，将两图局部放大，可以发现，LSSVM与SSA-LSSVM的波形中，预测值是滞后实际值的，这是因为自相关性引起的。https://zhuanlan.zhihu.com/p/54413813?utm_source=qq&utm_medium=social&utm_oi=676541090052575232
文章图片
为此，采用变分模态分解VMD对原始序列进行分解，然后对每个模态建立LSSVM模型
2.2 基于VMD-LSSVM的预测模型
2.2.1 VMD分解结果
文章图片
2.2.2 VMD-LSSVM结果
具体操作就是：首先利用变分模态方法将序列分解成一系列不同的子模态以降低原始数据的复杂度和非平稳性对预测精度的影响。再对得到的子模态分别建立 LSSVM 模型， 进行超短期预测，此时每个模态的训练集与测试集应该划分一致。最后叠加各子模态的预测结果得到最终预测结果。结果如下：
文章图片
从右图可以看出，类似于2.1中的滞后问题就没有了。
2.2.3 VMD-SSA-LSSVM结果
最后，为再一次提升精度，本文采用SSA算法对LSSVM的核参数与惩罚参数寻优，得到一个较优的网络结构，得到的结果如下图：
文章图片
2.2.4 结果对比
文章图片
结果分析-vmd-ssa-lssvm
根均方差(RMSE)：1.0546
平均绝对误差（MAE）：0.54472
平均相对百分误差（MAPE）：1.4764%
结果分析-ssa-lssvm
根均方差(RMSE)：6.2475
平均绝对误差（MAE）：4.0862
平均相对百分误差（MAPE）：10.0895%
结果分析-vmd-lssvm
根均方差(RMSE)：4.2769
平均绝对误差（MAE）：1.7114
平均相对百分误差（MAPE）：5.6377%
结果分析-lssvm
根均方差(RMSE)：7.1226
平均绝对误差（MAE）：4.4631
平均相对百分误差（MAPE）：11.5456%
从各指标可以看出，所以方法具有明显的改进。
【负荷预测|基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测（VMD-SSA-LSSVM）】更多参考我github：https://github.com/fish-kong/VMD-SSA-LSSVM-for-power-forecast
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现