基于PAU-LSSVM模型融合多特征变量的电力负荷预测

为了有效地提高电力负荷的预测精度,应对电力负荷的海量数据,同时兼顾负荷数据时序性和非线性,提出了一种基于PAU-LSSVM模型融合多特征变量的电力负荷预测方法.首先,基于偏最小二乘法(PLS)分析影响负荷变量间的相关性,提取影响负荷变化的特征变量.然后,根据特征变量的实时变化特征对LSSVM的模型参数进行自适应更新,建立了 PAU-LSSVM负荷预测模型,并与其他深度学习方法建立的负荷预测模型进行对比.结果表明,PLS能够辨识出关键影响变量,降低训练样本矩阵维数,所提PAU-LSSVM模型能够随着工况迁移准确地预测负荷,具有较高泛化能力和工程应用价值.