基于多重降噪的改進(jìn)SSA-LSSVM短期電力負(fù)荷預(yù)測(cè)模型

張樹國，張 斌

（華北電力大學(xué) 經(jīng)濟(jì)管理系，河北 保定 071000）

0 引言

電力系統(tǒng)安全穩(wěn)定運(yùn)行是地區(qū)發(fā)展的前提。地區(qū)電力負(fù)荷的預(yù)測(cè)結(jié)果，可以為電網(wǎng)制定電力能源供應(yīng)計(jì)劃提供參考。短期電力負(fù)荷預(yù)測(cè)對(duì)保證電力系統(tǒng)高效平穩(wěn)運(yùn)行具有重要意義。

傳統(tǒng)的電力負(fù)荷預(yù)測(cè)方法有趨勢(shì)外推法[1]、回歸分析法[2]、時(shí)間序列法[3]等。這些傳統(tǒng)預(yù)測(cè)方法存在對(duì)數(shù)據(jù)的穩(wěn)定性要求較高、難以準(zhǔn)確預(yù)測(cè)短期電力負(fù)荷等問題。

隨著研究的深入，粒子群（particle swarm optimization，PSO）[4]、支持向量機(jī)（support vector machine，SVM）[5]等機(jī)器學(xué)習(xí)方法被用于短期電力負(fù)荷預(yù)測(cè)。

文獻(xiàn)[6]基于長短期記憶神經(jīng)網(wǎng)絡(luò)（long short term memory，LSTM）對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)。由于LSTM在并行處理上存在劣勢(shì)，所以當(dāng)時(shí)間跨度較大時(shí)，LSTM的處理速度較慢。

文獻(xiàn)[7]基于 SVM 對(duì)電網(wǎng)負(fù)荷進(jìn)行了預(yù)測(cè)；但在歷史數(shù)據(jù)量較大時(shí)，SVM難以實(shí)施。

文獻(xiàn)[8]采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)。因所需參數(shù)較多，算法的預(yù)測(cè)準(zhǔn)確性受到影響。

上述基于單一模型的電力負(fù)荷預(yù)測(cè)精度較低，不能夠滿足目前短期電力負(fù)荷預(yù)測(cè)對(duì)精度的要求；因此，需要對(duì)現(xiàn)有的方法進(jìn)行深入研究。

為了提高預(yù)測(cè)模型的準(zhǔn)確性，有相關(guān)研究采用組合預(yù)測(cè)模型來預(yù)測(cè)短期電力負(fù)荷。

文獻(xiàn)[9]采用麻雀搜索算法（sparrow search algorithm，SSA）對(duì)LSTM模型進(jìn)行優(yōu)化。

文獻(xiàn)[10]使用PSO對(duì)LSTM模型的參數(shù)進(jìn)行尋優(yōu)。

文獻(xiàn)[11]基于卷積神經(jīng)網(wǎng)絡(luò)，對(duì) LSTM 的參數(shù)進(jìn)行優(yōu)化，使模型能夠更準(zhǔn)確地預(yù)測(cè)短期電力負(fù)荷。

文獻(xiàn)[12]用蚱蜢優(yōu)化算法優(yōu)化SVM的參數(shù)，并采用組合模型對(duì)電力負(fù)荷進(jìn)行了預(yù)測(cè)。

文獻(xiàn)[13]將天鷹優(yōu)化算法（aquila optimizer，AO）與SVM集成，對(duì)智能電網(wǎng)的短期電力負(fù)荷進(jìn)行了預(yù)測(cè)。

上述組合模型的特點(diǎn)是均采用優(yōu)化算法對(duì)參數(shù)進(jìn)行尋優(yōu)；仍存在的問題是，優(yōu)化算法迭代次數(shù)過少容易陷入局部最優(yōu)，迭代次數(shù)過多計(jì)算速度又會(huì)下降，難以滿足預(yù)測(cè)要求。

短期電力負(fù)荷數(shù)據(jù)具有波動(dòng)性和隨機(jī)性。如果直接將電力負(fù)荷數(shù)據(jù)用于預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果難以達(dá)到預(yù)期精度。因此，在進(jìn)行預(yù)測(cè)前，需要先對(duì)電力負(fù)荷數(shù)據(jù)進(jìn)行處理，將復(fù)雜的電力負(fù)荷數(shù)據(jù)分解再進(jìn)行重構(gòu)，以在一定程度上消除隨機(jī)數(shù)據(jù)的影響。

文獻(xiàn)[14]基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD），用粒子群方法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)，最終實(shí)現(xiàn)了電力短期負(fù)荷預(yù)測(cè)。

文獻(xiàn)[15]基于EEMD，采用粒子群算法優(yōu)化了最小二乘支持向量機(jī)的參數(shù)。

文獻(xiàn)[16]基于CEEMDAN及變分模式分解處理原始數(shù)據(jù)，采用鯨魚優(yōu)化算法優(yōu)化支持向量機(jī)的參數(shù)，并將該混合模型用于電力負(fù)荷的預(yù)測(cè)。

文獻(xiàn)[17]基于 CEEMDAN，利用卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元建立組合模型，實(shí)現(xiàn)短期電力負(fù)荷預(yù)測(cè)。該數(shù)據(jù)分解策略雖然能夠在一定程度上消除噪聲對(duì)預(yù)測(cè)結(jié)果的影響，但分解后的一些數(shù)據(jù)分量仍較為復(fù)雜，難以直接用于預(yù)測(cè)。

基于以上分析，為提高短期預(yù)測(cè)模型的準(zhǔn)確度，本文創(chuàng)新性地采用多重?cái)?shù)據(jù)降噪的方法處理數(shù)據(jù)，并提出用改進(jìn)SSA優(yōu)化LSSVM參數(shù)的組合預(yù)測(cè)模型。首先，利用自適應(yīng)小波閾值去噪方法對(duì)原始數(shù)據(jù)進(jìn)行一次降噪處理；采用 CEEMDAN分解處理后的數(shù)據(jù)，再將分解后最復(fù)雜的分量采用 SVD進(jìn)行二次降噪；利用三階段優(yōu)化的 SSA對(duì)LSSVM的參數(shù)進(jìn)行尋優(yōu)，建立組合預(yù)測(cè)模型，并利用組合預(yù)測(cè)模型對(duì)降噪后的各分量分別進(jìn)行預(yù)測(cè)；最后，將各分量預(yù)測(cè)結(jié)果進(jìn)行整合重構(gòu)，得到短期電力負(fù)荷預(yù)測(cè)的最終結(jié)果。

1 數(shù)據(jù)處理方法

1.1 CEEMDAN原理

經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）是一種處理非平穩(wěn)信號(hào)的方法，其特點(diǎn)是可以根據(jù)被分析信號(hào)自適應(yīng)地產(chǎn)生固有模態(tài)函數(shù)[18]。

EMD方法的原理：將復(fù)雜的信號(hào)分解為有限個(gè)模態(tài)函數(shù)（intrinsic mode function，IMF）。分解得到的IMF包含了原始信號(hào)不同時(shí)間尺度的局部特征信息。

在EMD通過分解信號(hào)進(jìn)而得到IMF的過程中，會(huì)出現(xiàn)模態(tài)混疊的現(xiàn)象：在同一個(gè)IMF分量中存在分布范圍很寬卻又不相同的信號(hào)，或者在不同的IMF分量中存在著尺度相近的信號(hào)。

模態(tài)混疊會(huì)使模型特征的提取和訓(xùn)練變得困難。為了解決這種問題，文獻(xiàn)[19]提出了CEEMDAN方法——在每得到一階IMF分量時(shí)，重新給殘值加入白噪聲并求IMF分量均值，然后逐次迭代。CEEMDAN方法能較好地解決模態(tài)混疊與虛假分量的問題。

CEEMDAN算法步驟如下。

（1）將高斯白噪聲加入到原始信號(hào)中，得到新信號(hào)；對(duì)新信號(hào)進(jìn)行EMD分解，得到第1階段本征模態(tài)分量：

式中：y(t)為原始信號(hào)；?為白噪聲標(biāo)準(zhǔn)表；vj(t)為滿足正態(tài)分布的高斯標(biāo)準(zhǔn)白信號(hào)；C1j(t)為第1階段本征模態(tài)分量；ri為信號(hào)殘差；E(y(t)+(-1)q?vj(t))為新信號(hào)經(jīng)EMD分解后的本征模態(tài)分量。

（2）對(duì)產(chǎn)生的N個(gè)模態(tài)分量做總體平均，得到經(jīng)CEEMDAN分解的第1個(gè)IMF：

（3）去除第1個(gè)IMF，得到剩余信號(hào)r1(t)：

（4）在r1(t)中加入正負(fù)成對(duì)的高斯白噪聲，得到新信號(hào)；對(duì)新信號(hào)進(jìn)行EMD分解，得到第1階段模態(tài)分量。由此得到經(jīng)CEEMDAN分解的第2個(gè)IMF為：

式中：D1j(t)為第1階段模態(tài)分量。

（5）去除第2個(gè)IMF，得到剩余信號(hào)r2(t)：

（6）重復(fù)上述步驟，直到剩余的殘差信號(hào)為單調(diào)函數(shù)且不能繼續(xù)分解，即完成分解過程。

最終得到K個(gè)IMF。原信號(hào)被分解為：

1.2 自適應(yīng)小波閾值去噪原理

小波閾值去噪的思想是：首先將信號(hào)進(jìn)行小波變換分解。分解后，信號(hào)的小波系數(shù)較大，噪聲的小波系數(shù)較小。通過設(shè)定合適的閾值剔除噪聲，從而達(dá)到信號(hào)去噪的目的[20]。

通常將小波閾值去噪分為軟閾值法和硬閾值法2類。

硬閾值降噪法：

式中：wj,k為小波系數(shù)；η為閾值函數(shù)。

軟閾值降噪法：

本文結(jié)合軟閾值降噪法和硬閾值降噪法的優(yōu)點(diǎn)，采用一種自適應(yīng)的閾值函數(shù)：

式中：μ為動(dòng)態(tài)調(diào)節(jié)因子。

當(dāng)μ值趨于0時(shí)，閾值函數(shù)變?yōu)檐涢撝岛瘮?shù)；當(dāng)μ值趨于無窮時(shí)，閾值函數(shù)變?yōu)橛查撝岛瘮?shù)。

1.3 SVD原理

SVD是一種分解矩陣的方法，常用于數(shù)據(jù)壓縮、數(shù)據(jù)去噪[21]。

SVD的原理如下：

對(duì)實(shí)矩陣 A ∈ Rm×n，必定存在一個(gè)m階正交矩陣和一個(gè) n階正交矩陣，使得 A = UΣ VT。Σ為矩陣A的全部非零奇異值。Σ的前幾個(gè)值較大，包含著矩陣A的大部分信息；Σ其余的值較小，代表著矩陣的噪音。去除代表噪音的奇異值即可以達(dá)到去除噪聲的作用。

將所測(cè)的時(shí)間序列信號(hào)按每n個(gè)點(diǎn)截取m段的連續(xù)截取方式構(gòu)造矩陣，得到的新矩陣如下：

式中：m和n大于1。

2 預(yù)測(cè)方法

2.1 SSA原理

SSA是一種新型的智能優(yōu)化算法，其通過模擬麻雀的覓食和反捕食行為來進(jìn)行局部和全局搜索，其尋優(yōu)能力強(qiáng)、收斂速度快[22]。

SSA種群中，含有發(fā)現(xiàn)者、加入者和偵察者3種類型的麻雀。具有良好適應(yīng)度的個(gè)體為發(fā)現(xiàn)者，負(fù)責(zé)尋找食物并為整個(gè)種群提供覓食方向。當(dāng)偵察者發(fā)現(xiàn)捕食者后會(huì)發(fā)出信號(hào)，麻雀種群會(huì)做出反捕食行為。

SSA算法步驟如下。

由n只麻雀組成的麻雀種群X可描述為：

式中：d為優(yōu)化問題的變量維數(shù)。

（1）初始化麻雀種群位置和適應(yīng)度。

式中：f為適應(yīng)度值。

（2）排序得出當(dāng)前最優(yōu)個(gè)體位置和最佳適應(yīng)度。

（3）更新發(fā)現(xiàn)者位置。

（6）計(jì)算適應(yīng)度，更新麻雀位置。

（7）判斷停止條件：如果滿足，則輸出最優(yōu)參數(shù)；如果不滿足，則重復(fù)執(zhí)行步驟（2）—（6）。

2.2 ISSA原理

麻雀搜索算法的缺點(diǎn)是：初始種群位置單一、全局搜索能力差、容易陷入局部最優(yōu)、算法的精確度不足。

針對(duì)以上缺陷，本文從3個(gè)方面對(duì)麻雀搜索算法進(jìn)行改進(jìn)。

（1）初始化種群階段

麻雀搜索算法的初始種群位置決定了算法的尋優(yōu)能力。本文引入Piecewise映射對(duì)麻雀搜索的初始位置進(jìn)行映射：

式中：P、X的取值范圍是0～1。

式中：Xlb為每個(gè)維度的下限；Xub為每個(gè)維度的上限。

采用公式（17）得到的X為Piecewise映射的初始種群。該操作提高了麻雀搜索初始種群分布的多樣性。

精英反向?qū)W習(xí)可以保證種群的精英性。

式中：Xi為個(gè)體當(dāng)前的信息；L和U分別為可行解的最小值和最大值；k是0～1的隨機(jī)數(shù)。

種群初始化的優(yōu)化流程為：分別計(jì)算由Piece-wise映射和精英反向?qū)W習(xí)獲得的種群適應(yīng)度值；在對(duì)適應(yīng)度值排序后，選取較優(yōu)個(gè)體作為種群的初始個(gè)體。

（2）尋優(yōu)階段

麻雀搜索算法的全局和局部尋優(yōu)能力不強(qiáng)，容易陷入局部最優(yōu)情況。

本文采用加入動(dòng)態(tài)自適應(yīng)權(quán)重ω的方式，優(yōu)化算法的全局搜索和局部開發(fā)能力。

式中：ωini為初始權(quán)重；ωfin為最終權(quán)重；δ為0～1均勻分布的隨機(jī)數(shù)。

在算法搜索前期，權(quán)重ω較大，發(fā)現(xiàn)者能夠充分進(jìn)行全局搜索；到算法搜索后期，權(quán)重ω減小，以有利于算法進(jìn)行局部搜索。

均勻分布的δ使權(quán)重ω實(shí)現(xiàn)動(dòng)態(tài)變化，加快算法的收斂。

（3）最優(yōu)麻雀階段

若算法中的最優(yōu)麻雀達(dá)到適應(yīng)度值時(shí)搜索停止，則結(jié)果容易陷入局部最優(yōu)。本文采用隨機(jī)游走算法對(duì)最優(yōu)麻雀進(jìn)行擾動(dòng)，以提高搜索性能。

隨機(jī)游走方法的過程為

式中：X(t)為隨機(jī)游走的步數(shù)集；sum為計(jì)算累加和函數(shù)；t為隨機(jī)游走步數(shù)。

式中：r為0～1的隨機(jī)數(shù)。

為了確保麻雀游走范圍可行，需要對(duì)麻雀位置進(jìn)行歸一化。

式中：ai為隨機(jī)游走的最小值；bi為隨機(jī)游走的最大值；為變量在第t次迭代的最小值；為變量在第t次迭代的最大值。

2.3 LSSVM原理

LSSVM 可以用來解決模式分類和函數(shù)估計(jì)等問題。LSSVM使用最小二乘線性系統(tǒng)作為損失函數(shù)，代替了傳統(tǒng) SVM 方法采用的二次規(guī)劃方法，從而簡(jiǎn)化了計(jì)算[23]。

3 模型構(gòu)建

3.1 ISSA-LSSVM優(yōu)化模型構(gòu)建

影響LSSVM算法的2個(gè)重要參數(shù)是懲罰參數(shù)和核函數(shù)參數(shù)。懲罰參數(shù)過小，會(huì)使模型的預(yù)測(cè)精度減；懲罰參數(shù)過大時(shí)會(huì)使模型變復(fù)雜，計(jì)算速度變慢。核函數(shù)參數(shù)過大會(huì)導(dǎo)致支持向量減少，過小則會(huì)使模型過飽和。

本文采用 ISSA算法對(duì)懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，以提高 LSSVM 預(yù)測(cè)的準(zhǔn)確性。優(yōu)化過程如圖1所示。

圖1 ISSA優(yōu)化LSSVM流程圖Fig. 1 Flow chart of LSSVM optimization by ISSA

3.2 多重降噪ISSA-LSSVM模型建立

本模型的預(yù)測(cè)流程如圖2所示。首先將原始數(shù)據(jù)用自適應(yīng)小波閾值降噪，然后采用CEEMDAN分解得到IMF分量和Res分量；將較復(fù)雜的IMF分量提取出來，進(jìn)行SVD降噪；將CEEMDAN分解得到的剩余分量和經(jīng)過 SVD降噪得到的分量用ISSA-LSSVM模型進(jìn)行預(yù)測(cè)；將所有分量的預(yù)測(cè)結(jié)果進(jìn)行整合，得到預(yù)測(cè)結(jié)果。

圖2 多重降噪優(yōu)化ISSA-LSSVM流程圖Fig. 2 Flow chart of multiple noise reduction for ISSA-LSSVM optimization

4 實(shí)例仿真

4.1 數(shù)據(jù)降噪處理

本文以某地區(qū)2018年1月1日到2019年12月31日的日電力負(fù)荷數(shù)據(jù)為算例。將前529條數(shù)據(jù)作為訓(xùn)練集，將后200條數(shù)據(jù)作為測(cè)試集。

首先對(duì)原始數(shù)據(jù)進(jìn)行小波閾值去噪處理。分別采用軟閾值、硬閾值和自適應(yīng)閾值對(duì)原始數(shù)據(jù)進(jìn)行去噪。去噪結(jié)果如圖3所示。相關(guān)指標(biāo)對(duì)比結(jié)果如表1所示。

表1 小波閾值去噪指標(biāo)Tab. 1 Wavelet threshold denoising index

圖3 小波閾值去噪結(jié)果Fig. 3 Wavelet threshold denoising results

由表1數(shù)據(jù)可以看出：采用自適應(yīng)閾值去噪方法得到的SNR值為28.22，分別比硬閾值和軟閾值去噪方法提升30.17%和21.74%；MSE值較硬閾值和軟閾值去噪方法降低49.79%和40.68%。該結(jié)果表明，采用自適應(yīng)去噪方法的效果較好。

對(duì)采用自適應(yīng)去噪方法處理后的數(shù)據(jù)進(jìn)行CEEMDAN分解，分解結(jié)果如圖4所示。從圖4可以看出，CEEMDAN分解后的IMF1較復(fù)雜。采用SVD方法對(duì)IMF1進(jìn)行降噪處理，處理結(jié)果如圖 5所示。從圖5可以看出，去噪后的IMF1較為平緩，適合進(jìn)行預(yù)測(cè)。

圖4 CEEMDAN分解結(jié)果Fig. 4 CEEMDAN decomposition results

圖5 SVD降噪結(jié)果Fig. 5 SVD noise reduction results

4.2 數(shù)據(jù)預(yù)處理和評(píng)價(jià)指標(biāo)

為了提高預(yù)測(cè)精度，首先對(duì)負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理

式中：u為初始負(fù)荷值；umax為最大負(fù)荷值；umin為最小負(fù)荷值。

為了量化預(yù)測(cè)模型的精度，本文采用平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）、均方根誤差（RMSE）作為評(píng)估指標(biāo)。

4.3 ISSA-LSSVM預(yù)測(cè)

為了驗(yàn)證本文所提出的ISSA-LSSVM的預(yù)測(cè)模型的優(yōu)越性，將其與AO-LSSVM、PSO-LSSVM、ISSA-LSSVM預(yù)測(cè)模型進(jìn)行對(duì)比。

設(shè)定：各算法種群的數(shù)目均為20，最大迭代次數(shù)為 100。LSSVM 的 gam參數(shù)取值范圍為[0.1,1000]，sig2參數(shù)的取值范圍為[0.1,100]。

各優(yōu)化算法的迭代過程如圖6所示。

圖6 各優(yōu)化算法迭代過程Fig. 6 Iteration process of each optimization algorithm

從圖6可以看出：AO算法的迭代速度較慢，適應(yīng)度值也較大，出現(xiàn)了陷入局部最優(yōu)的情況。PSO算法的迭代速度較快，但是適應(yīng)度值較大，即尋優(yōu)效果較差。SSA算法的尋優(yōu)效果較好，但是迭代速度過慢，容易陷入局部最優(yōu)。本文提出的 ISSA算法能夠在保證適應(yīng)度值足夠小的情況下?lián)碛休^快迭代速度，這說明ISSA可以很快跳出局部最優(yōu)情況。與SSA算法對(duì)比的結(jié)果說明，ISSA有助于提升迭代速度、提高預(yù)測(cè)準(zhǔn)確度。

各優(yōu)化算法下LSSVM的參數(shù)如表2所示。預(yù)測(cè)結(jié)果如圖7所示。預(yù)測(cè)結(jié)果評(píng)價(jià)如表3所示。

表2 各優(yōu)化算法得到的LSSVM參數(shù)Tab. 2 LSSVM parameters obtained by each optimization algorithm

圖7 各優(yōu)化算法預(yù)測(cè)結(jié)果Fig. 7 Prediction results of each optimization algorithm

表3 各優(yōu)化算法預(yù)測(cè)結(jié)果指標(biāo)Tab. 3 Prediction result index of each optimization algorithm 106MW·h

考察圖7、表3可知：在未對(duì)SSA算法進(jìn)行優(yōu)化時(shí)，SSA-LSSVM算法的MAE、MAPE值均比PSO-LSSVM算法大，這說明SSA-LSSVM的預(yù)測(cè)效果比PSO預(yù)測(cè)效果差；在對(duì)SSA算法進(jìn)行優(yōu)化后，ISSA-LSSVM預(yù)測(cè)模型相比SSA-LSSVM，MAE值降低 50.06%，MAPE值降低 35.82%，RMSE值降低14.67%。這說明，優(yōu)化方法有效提高了SSA算法的準(zhǔn)確性，也再次說明多策略改進(jìn)SSA算法的有效性。

4.4 多重降噪優(yōu)化ISSA-LSSVM預(yù)測(cè)

為了驗(yàn)證多重降噪優(yōu)化的有效性，分別對(duì)經(jīng)CEEMDAN分解和經(jīng)多重降噪優(yōu)化后的數(shù)據(jù)進(jìn)行ISSA-LSSVM預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖8所示。

圖8 多重降噪的預(yù)測(cè)效果對(duì)比Fig. 8 Comparison of prediction effects of multiple noise reduction

由圖8可以看出，在將數(shù)據(jù)進(jìn)行多重降噪優(yōu)化后，預(yù)測(cè)結(jié)果比經(jīng)CEEMDAN分解后的預(yù)測(cè)結(jié)果更加準(zhǔn)確。

2種算法優(yōu)化結(jié)果的評(píng)價(jià)指標(biāo)如表4所示。由表4可以看出，與單純采用CEEMDAN分解數(shù)據(jù)的方法相比，多重降噪優(yōu)化后預(yù)測(cè)結(jié)果的 MAE值降低7.07%，MAPE值降低15.79%，RMSE的值降低15.95%。這說明，多重降噪后的預(yù)測(cè)效果比單純采用CEEMDAN分解的預(yù)測(cè)效果好。

表4 各預(yù)測(cè)模型指標(biāo)Tab. 4 Indicators of each prediction model 106MW·h

多重降噪優(yōu)化ISSA-LSSVM的預(yù)測(cè)結(jié)果與表3中ISSA-LSSVM預(yù)測(cè)結(jié)果相比，MAE值降低了18.58%，MAPE值降低了25.58%，RMSE值降低了31.04%——說明將數(shù)據(jù)進(jìn)行多重降噪優(yōu)化能夠提升預(yù)測(cè)的準(zhǔn)確性。

5 結(jié)論

本文基于多重降噪方法，將多策略優(yōu)化的ISSA-LSSVM 組合模型應(yīng)用到短期電力負(fù)荷預(yù)測(cè)中，得到以下結(jié)論：

（1）在將原始數(shù)據(jù) CEEMDAN分解前采用自適應(yīng)小波閾值降噪，再將分解得到的復(fù)雜 IMF進(jìn)行SVD降噪，最后將處理后的數(shù)據(jù)用于電力負(fù)荷預(yù)測(cè)。這種方法可以提高預(yù)測(cè)模型的準(zhǔn)確性。

（2）使用多策略改進(jìn)的ISSA算法對(duì)LSSVM的懲罰參數(shù)和核參數(shù)進(jìn)行優(yōu)化，能夠有效提高LSSVM模型的預(yù)測(cè)效果。