基于RFE特征选择的PSO-SVM用电量预测算法

为了提升用电量预测的精度，针对传统支持向量机(SVM)算法在参数确定时的不足，采用粒子群(PSO)算法根据电力应用场景对预测算法进行了改进。对于迭代过程中全局最优和局部最优的矛盾，根据个体适应度的差异进行了子种群划分。而对于粒子群中群体过早收敛的问题，算法引入了自适应变异及惯性权重机制。通过在Schaffer’s F6、Rosenbrock函数上的测试分析结果表明，改进后的PSO算法迭代效率提高了60%以上，达优率也提升了11%。在进行用电量预测时，同时对影响用电量的不同指标进行了特征分析。基于SVM的递归特征消除特性(RFE)筛选了11个影响用电量的指标作为PSO-SVM的模型输入，充分发挥了SVM模型在低维预测上的优势。仿真结果表明，相较于传统SVM算法，所提算法的MAE与RMSE分别提升了9.15%和4.94%。