基于PSO-SVR模型的短期天然气负荷预测

针对天然气负荷影响因素选择困难，冗余因素会影响负荷预测的精度和速度，使用特征选择Relief算法对影响负荷值的因素进行筛选，去掉冗余影响因素，为准确地预测天然气负荷提供一定的数据基础；在进行负荷预测时，单一的支持向量回归(support vector regression, SVR)会陷入重要参数难以选取最优的情况，为了解决这一问题，提出一种基于特征选择上的粒子群算法(particle swarm optimization, PSO)优化SVR重要参数的组合模型PSO-SVR。所提出的算法首先使用特征选择选取影响因素，为负荷预测提供主要的数据支持；然后，设置SVR的3个关键参数的初始值，进行迭代得到最优的关键参数值；最后，将影响因素和负荷值输入PSO-SVR模型进行训练并预测。使用榆济管线的负荷数据进行预测并对比。结果表明：提出的算法比其他单一模型的预测精度高，能为天然气负荷预测的研究提供参考，为天然气公司购气量提供依据。

Short-term natural gas load Forecasting based on PSO-SVR model