收稿日期：2021-04-26作者简介：李晨（1994-），男，辽宁朝阳人，硕士研究生。基于ARIMA-LIBSVM的中期电力负荷预测李晨，尹常永，李奇洁，李春雷（沈阳工程学院电力学院，辽宁沈阳110136）摘要：在使用累积式自回归移动平均法（ARIMA）进行中期电力负荷预测时，所得残差序列具有明显规律。电力负荷数据可使用线性和非线性成分叠加表示，为弥补传统ARIMA时间序列预测法忽略非线性的缺陷，引入LIBSVM支持向量机挖掘数据残差非线性规律，并将LIBSVM预测残差与ARIMA预测结果相叠加，达到更高的精度。使用ARIMA-LIBSVM组合模型进行实例预测，结果表明：该模型能够提高预测精度。关键词：负荷预测；时间序列分析；支持向量机；残差修正中图分类号：TM715文献标识码：A文章编号：1673-1603（2023）01-0049-07DOI：10.13888/j.cnki.jsie（ns）.2023.01.008第19卷第1期2023年1月Vol.19No.1Jan.2023沈阳工程学院学报（自然科学版）JournalofShenyangInstituteofEngineering（NaturalScience）传统的负荷预测是电力系统中规划、计划、营销、调度等部门的基础工作。在电力进入市场化运行后，电力供需瞬时平衡的特点决定了电力行业的预测需求较之以往更加紧迫。电力负荷预测实质上是对电力市场需求的预测，做好电力负荷预测工作是实现电网安全、经济运行的关键。从稳定性来看，不准确的负荷预测会使电能供需动态平衡被打破，电能过剩不利于电网运行的稳定性，电能的短缺也会影响社会生产与生活。从电网运行情况来看，通过中期负荷预测，可以动态调整各时间节点，如月度、季度、年度运行方式，使得电力系统处于经济运行模式，从而有效降低传输损耗，提高经济性。在电力系统规划设计中，准确的中长期负荷预测有利于资源的利用，避免浪费。目前，电力系统负荷预测方法可分为两大类：基于统计学的传统预测方法和以机器学习为代表的现代智能方法［1］。传统预测方法的基础是统计数学，其中具有代表性的包括时间序列法［2］、回归分析法［3］、灰色预测法［4］等。这些方法对线性时间序列的预测效果较好，但只局限于对样本数据的拟合，对影响电力负荷的各种因素考虑不足，且各个方法均有各自的缺陷及使用场景。现代预测方法是基于神经网络［5］、支持向量机（SVM）［6］、神经模糊推理系统［7］、混沌理论［8］与小波分析［9］等方法。这些方法在减少估计错误中有一定优势［10］。其中，最常用的是ANN法，其具有强大的非线性映射能力，因此在负荷预测中得到了广泛应用...
