基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法

智能电网的建设和电力市场的发展对短期负荷预测的精度和速度提出了更高的要求。应用一种仿生算法来改善负荷预测的精度和运算速度,提出一种基于细菌群落趋药性优化算法的最小二乘支持向量机(least squares-support vector machine based on bacterial colony chemotaxis optimization,BCC-LS-SVM)模型,通过细菌群体趋药性优化算法快速、合理地确定最小二乘支持向量机(least squares-support vectormachine,LS-SVM)的超参数。研究表明,与前馈(back-propagation,BP)神经网络算法和单纯的LS-SVM算法相比,BCC-LS-SVM算法具有较强的全局搜索能力,易于操作,能够实现更高的预测精度及更好的运算速度,更适用于当前中国短期负荷预测的需要。