基于支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)

時(shí)昀

電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)領(lǐng)域一個(gè)傳統(tǒng)問題。分析了現(xiàn)有短期電力負(fù)荷預(yù)測(cè)方法的優(yōu)缺點(diǎn)。研究了基于支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)方法，分析了該方法在實(shí)施的步驟和相關(guān)方法，并進(jìn)行了相關(guān)分析。

【關(guān)鍵詞】負(fù)荷預(yù)測(cè) 支持向量機(jī) 粒子群算法 最小二乘向量機(jī)核函數(shù)

負(fù)荷預(yù)測(cè)是指從已知情況出發(fā)，通過對(duì)于歷史數(shù)據(jù)的分析和研究，探索事物之間的內(nèi)在聯(lián)系和發(fā)展變化規(guī)律，對(duì)負(fù)荷發(fā)展做出預(yù)先估計(jì)和推測(cè)。電力負(fù)荷預(yù)測(cè)主要是以下幾個(gè)目的：

（1）電能由于其特殊性導(dǎo)致不能大面積的儲(chǔ)存，需要邊生產(chǎn)邊使用，所以發(fā)電量的不足或者過剩都會(huì)影響電力生產(chǎn)部門的經(jīng)濟(jì)效益。

（2）生活中電力事故時(shí)有發(fā)生，不僅會(huì)導(dǎo)致不同程度的經(jīng)濟(jì)損失，還會(huì)對(duì)人民生命財(cái)產(chǎn)安全造成威脅，所以對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)先了解電力負(fù)荷的臨界狀態(tài)是很有必要的。

（3）而負(fù)荷預(yù)測(cè)可以了解不同區(qū)域不同機(jī)構(gòu)的用電高峰期。調(diào)整用戶的用電時(shí)間和負(fù)荷，利用錯(cuò)峰效應(yīng)，充分利用整個(gè)電力系統(tǒng)的容量，發(fā)揮整個(gè)系統(tǒng)的潛力，對(duì)于緩解用電緊張有重要的意義。

1 短期電力負(fù)荷預(yù)測(cè)方法

迄今為止，國(guó)內(nèi)外學(xué)者在負(fù)荷預(yù)測(cè)中做出了很多努力，預(yù)測(cè)方法按照不同時(shí)期大致的可以為分為兩類：經(jīng)典數(shù)學(xué)統(tǒng)計(jì)法和人工智能法。

1.1 經(jīng)典數(shù)學(xué)統(tǒng)計(jì)法

1.1.1 回歸模型預(yù)測(cè)法

電力負(fù)荷回歸模型預(yù)測(cè)就是根據(jù)過去的電力負(fù)荷歷史資料，建立可以進(jìn)行數(shù)學(xué)分析的數(shù)學(xué)模型，對(duì)未來負(fù)荷進(jìn)行預(yù)測(cè)。對(duì)非線性關(guān)系，它就會(huì)很難進(jìn)行預(yù)測(cè)。

1.1.2 趨勢(shì)外推法

此種方法是以歷史數(shù)據(jù)為基礎(chǔ)，建立一條盡可能表達(dá)歷史負(fù)荷的曲線，隨后根據(jù)變化趨勢(shì)來進(jìn)行未來某時(shí)間電力負(fù)荷預(yù)測(cè)值得讀取。這種方法與回歸模型預(yù)測(cè)法相比具有計(jì)算速度快，可實(shí)時(shí)分析的特點(diǎn)，但是其精度有限。

1.1.3 時(shí)間序列法

根據(jù)歷史資料建立一個(gè)數(shù)字模型來描述電力負(fù)荷這個(gè)隨機(jī)變量變化過程的統(tǒng)計(jì)規(guī)律性，在數(shù)學(xué)模型的基礎(chǔ)上確立負(fù)荷預(yù)測(cè)的數(shù)學(xué)表達(dá)式，進(jìn)行預(yù)測(cè)。

1.1.4 灰色預(yù)測(cè)法

灰色理論提出一種稱為系統(tǒng)關(guān)聯(lián)度的全新分析方法，它根據(jù)因素之間發(fā)展趨勢(shì)的相似或者相異度來衡量影響負(fù)荷因素間的關(guān)聯(lián)程度。此方法具有算法簡(jiǎn)單，需求數(shù)據(jù)少，速度快等優(yōu)點(diǎn)，但有一定的應(yīng)用局限性。

1.2 人工智能法

目前對(duì)于非線性和復(fù)雜系統(tǒng)的電力負(fù)荷預(yù)測(cè)主要使用人工智能法。主要包括基于專家系統(tǒng)的預(yù)測(cè)技術(shù)、支持向量機(jī)、模糊控制技術(shù)、人工神經(jīng)網(wǎng)絡(luò)法、混沌預(yù)測(cè)技術(shù)等。

1.2.1 基于專家系統(tǒng)的預(yù)測(cè)技術(shù)

專家系統(tǒng)是人工智能系統(tǒng)中比較成熟的方法，能夠模擬人類專家決策過程。

1.2.2 模糊控制方法

模糊預(yù)測(cè)方法僅僅模擬專家的推理和判斷方式，并不需要建立精確的數(shù)學(xué)模型。模糊理論適合描述廣泛存在的不確定性，同時(shí)它具有強(qiáng)大的非線性映射能力，能夠在任意精度上一致逼近任何定義在一個(gè)致密集上的非線性函數(shù)，并能夠從大量的數(shù)據(jù)中提取它們的相似性。但模糊理論也存在學(xué)習(xí)能力比較弱，映射輸出比較粗糙等缺點(diǎn)。

1.2.3 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)是模仿生物腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，有較好的容錯(cuò)性，但容易陷入局部收斂。

2 基于支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)

支持向量機(jī)以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)，通過尋求最小化的結(jié)構(gòu)化風(fēng)險(xiǎn)來實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化。依靠嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)推論，將有條件的極值問題轉(zhuǎn)化為凸二次規(guī)劃問題。面對(duì)過去較難處理的非線性問題，將樣本空間映射到高維，在高維空間來解決問題，同時(shí)還通過核函數(shù)的提出，巧妙地解決了維數(shù)問題。

2.1 負(fù)荷數(shù)據(jù)的預(yù)處理與歸一化

在實(shí)際使用中，我們可以根據(jù)實(shí)際情況設(shè)置一個(gè)值，當(dāng)負(fù)荷實(shí)際值與測(cè)量值的差小于這個(gè)值的話，就可以認(rèn)為這是一個(gè)合適的數(shù)據(jù)，可以使用；如果誤差大于這個(gè)值，便是錯(cuò)誤的數(shù)據(jù)，需要進(jìn)行進(jìn)一步處理。那么關(guān)于設(shè)置值的確定成為了解決問題的關(guān)鍵，因?yàn)槲覀兊臍v史數(shù)據(jù)大多數(shù)是正確的，只有比較少的部分需要進(jìn)行處理，所以可以通過數(shù)學(xué)統(tǒng)計(jì)的方法計(jì)算出設(shè)置值，然后利用剛剛的算法進(jìn)行求解。

在構(gòu)建模型時(shí)，輸入的各變量差異較大，尤其反映的數(shù)量級(jí)上，為了解決這個(gè)問題，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

2.2 輸入特征選取與支持向量機(jī)的參數(shù)優(yōu)化選取

對(duì)于訓(xùn)練樣本來說，輸入變量應(yīng)該為影響負(fù)荷量的因素，根據(jù)關(guān)聯(lián)程度的大小分配以不同的權(quán)重。根據(jù)模式識(shí)別理論，低維空間線性不可分的模式通過非線性映射到高維特征空間則可能實(shí)現(xiàn)線性可分，但是如果直接采用這種技術(shù)在高維空間進(jìn)行分類或回歸，則存在確定非線性映射函數(shù)的形式和參數(shù)、特征空間維數(shù)等問題，而最大的障礙則是在高維特征空間運(yùn)算時(shí)存在的“維數(shù)災(zāi)難”。采用核函數(shù)技術(shù)可以有效地解決這樣問題，核函數(shù)的選取直接影響支持向量機(jī)的預(yù)測(cè)精度。

3 結(jié)論

通過進(jìn)行有效的數(shù)據(jù)處理和相關(guān)參數(shù)的選擇構(gòu)建的基于支持向量機(jī)的短期負(fù)荷預(yù)測(cè)方法能較為有效準(zhǔn)確的預(yù)測(cè)短期電力負(fù)荷。但是由于負(fù)荷預(yù)測(cè)還會(huì)受到多種外界因素的影響，因此要想實(shí)現(xiàn)準(zhǔn)確的電力負(fù)荷預(yù)測(cè)還需對(duì)現(xiàn)有方法進(jìn)行不斷改進(jìn)和完。

參考文獻(xiàn)

[1]王偉.基于混合核函數(shù)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)[J].現(xiàn)代計(jì)算機(jī)，2013：22-25.

[2]盧志偉，周凌，楊麗君，冀而康，周旭.基于人工免疫加權(quán)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)[J].繼電器，2015，33（24）：42-44.

[3]曾勍煒，徐知海，吳鍵，基于粒子群優(yōu)化和支持向量機(jī)的電力負(fù)荷預(yù)測(cè)[J].微電子學(xué)與計(jì)算機(jī)，2011，28（01）：147-149.

[4]游華.基于相空間重構(gòu)與支持向量機(jī)的電力負(fù)荷預(yù)測(cè)[J].商業(yè)現(xiàn)代化，2010，611：7-8.

[5]Soina De Cosmis，Ronato De Leone，ErikKropat.Electric load forecasting using support vector machines for robust regression. University of Camerino： Society for computer Simulation International，2013.

作者單位

國(guó)網(wǎng)江蘇電力公司盱眙供電公司 江蘇省淮安市盱眙縣 211700