1、短期負荷預測是電力系統(tǒng)運行調(diào)度中一項非常重要的內(nèi)容，它是電網(wǎng)安全經(jīng)濟運行的前提，也是調(diào)度安排開停機計劃的基礎(chǔ)，對電網(wǎng)調(diào)度自動控制非常重要，其預測精度直接影響電力系統(tǒng)的經(jīng)濟效益。隨著電力改革的深化，電力市場的進一步開放，高質(zhì)量的短期負荷預測愈顯得重要和迫切。
　　 本文在對現(xiàn)有各種預測算法進行深入、細致研究的基礎(chǔ)上，分析了各種算法的優(yōu)缺點以及其所適用的范圍，詳細地綜述了近年來國內(nèi)外應用和研究的進展情況。通過對電力負荷特性的分析，提

2、出了基于綜合法的數(shù)據(jù)預處理新方法，為廣安電網(wǎng)短期負荷預測模型利用這些歷史數(shù)據(jù)奠定了基礎(chǔ)。
　　 由于負荷預測的實質(zhì)就是尋找一種能較準確地擬合多種影響因素與負荷之間非線性復雜關(guān)系的函數(shù)映射，而支持向量機是建立在統(tǒng)計學習理論基礎(chǔ)上的新一代機器學習方法，以結(jié)構(gòu)風險最小化原則為理論出發(fā)點，具有較強的非線性擬合能力和較好的推廣能力，并較好地解決了高維數(shù)、非線性、小樣本、局部極小值等實際問題。所以本文將其應用于電力系統(tǒng)短期負荷預測，提出了基

3、于支持向量機回歸(SVR)及其參數(shù)優(yōu)化的短期負荷預測方法。一方面，該方法通過充分利用負荷的日周期性和同時刻負荷相近性，采用不同天同時刻的負荷樣本訓練SVR來獲取負荷的最優(yōu)回歸函數(shù)，實現(xiàn)了在最小化負荷樣本點誤差的同時，縮小模型泛化誤差的上界；另一方面，該法在考慮參數(shù)對SVR預測模型的影響的基礎(chǔ)上，將虛擬預測策略和粒子群算法運用于支持向量機參數(shù)的優(yōu)化，實現(xiàn)了模型參數(shù)的自適應優(yōu)化選擇，克服了SVR建模過程的盲目性，并以廣安電網(wǎng)仿真測試證明了所