基于两阶段CPO-PSO超参数优化的LSSVM短期负荷预测

《Scientific Reports》：Short-term load forecasting using a two-stage CPO-PSO hyperparameter optimization of LSSVM

　　

摘要

准确的短期电力负荷预测对于确保电力系统的稳定运行至关重要，尤其是在电网日益复杂以及负荷数据具有非线性、时变特性的背景下。本研究提出了一种新型混合模型，该模型结合了Crested Porcupine优化算法、粒子群优化算法以及最小二乘支持向量机。首先，利用CPO进行全局超参数优化，有效探索参数空间并避免过早收敛；随后，通过PSO对参数进行局部优化，以提高模型的预测精度和泛化能力。最后，经过优化的LSSVM模型能够捕捉负荷与温度、日期、节假日等外部因素之间的复杂非线性关系。为评估所提出的CPO-PSO-LSSVM模型的有效性，使用两个真实世界数据集与基准的LSSVM、PSO-LSSVM及CPO-LSSVM模型进行了对比实验。在江苏数据集（每小时分辨率）上，该模型相比LSSVM，MAE和RMSE分别降低了40.2%和50.3%，同时NSE从0.604提升至0.902。在澳大利亚数据集（半小时分辨率）上，其MAE和RMSE分别降低了25.3%和50.8%，NSE则从0.985上升至0.996。这些结果表明，CPO-PSO-LSSVM模型具有更出色的预测精度，在不同地区和时间粒度下都具有较强的稳定性，非常适合用于现代电力系统管理。