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。