本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。
对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。
SVM_Short-term-Load-Forecasting2/AdaptFunc.m , 2392
SVM_Short-term-Load-Forecasting2/AdaptFunc1.m , 2386
SVM_Short-term-Load-Forecasting2/B2.xls , 16896
SVM_Short-term-Load-Forecasting2/B4.xls , 19456
SVM_Short-term-Load-Forecasting2/B5.xls , 17408
SVM_Short-term-Load-Forecasting2/BaseStepPso.m , 3813
SVM_Short-term-Load-Forecasting2/InitSwarm.m , 2174
SVM_Short-term-Load-Forecasting2/a23.xls , 22016
SVM_Short-term-Load-Forecasting2/a45.xls , 20992
SVM_Short-term-Load-Forecasting2/b3.xls , 19456
SVM_Short-term-Load-Forecasting2/bdata1.xls , 35840
SVM_Short-term-Load-Forecasting2/gaijin.m , 2725
SVM_Short-term-Load-Forecasting2/pso.m , 2112
SVM_Short-term-Load-Forecasting2/shorttime.m , 2527
SVM_Short-term-Load-Forecasting2/~$╓º│╓╧≥┴┐╗·╡─╢╠╞┌╡τ┴ª╕║║╔╘ñ▓Γ.doc , 162
SVM_Short-term-Load-Forecasting2/~WRL0001.tmp , 959488
SVM_Short-term-Load-Forecasting2/╗∙╙┌PSO╙┼╗»LSSVM╡─╢╠╞┌╖τ╦┘╘ñ▓Γ.pdf , 974377