王 奔， 冷北雪， 張喜海， 單翀皞， 從 振

(西南交通大學(xué)電氣工程學(xué)院， 成都 610031)

支持向量機(jī)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用概況①

王 奔， 冷北雪， 張喜海， 單翀皞， 從 振

(西南交通大學(xué)電氣工程學(xué)院， 成都 610031)

全面總結(jié)了支持向量機(jī)(SVM)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用概況，并從SVM的原理出發(fā)，對(duì)比人工神經(jīng)網(wǎng)絡(luò)方法，從本質(zhì)上闡述了SVM方法在短期負(fù)荷預(yù)測(cè)中應(yīng)用的優(yōu)越性。同時(shí)針對(duì)SVM在應(yīng)用中存在的問(wèn)題，包括數(shù)據(jù)預(yù)處理、核函數(shù)構(gòu)造及選取和參數(shù)優(yōu)化的方法，做出分析，并歸納了現(xiàn)行的解決方法。從SVM算法用于負(fù)荷預(yù)測(cè)的機(jī)理及提高預(yù)測(cè)精度和速度的角度，對(duì)于一系列SVM的改進(jìn)方法，全面地進(jìn)行了歸納，并提出需進(jìn)一步探討的關(guān)鍵問(wèn)題。最后對(duì)基于SVM的短期負(fù)荷預(yù)測(cè)所需注意的關(guān)鍵問(wèn)題做出總結(jié)，并提出建議。

支持向量機(jī)； 人工神經(jīng)網(wǎng)絡(luò)； 短期負(fù)荷預(yù)測(cè)； 數(shù)據(jù)預(yù)處理； 核函數(shù)； 參數(shù)優(yōu)化； 混合預(yù)測(cè)方法

電力系統(tǒng)負(fù)荷預(yù)測(cè)的核心是根據(jù)預(yù)測(cè)對(duì)象的歷史數(shù)據(jù)建立相應(yīng)的數(shù)學(xué)模型描述其發(fā)展規(guī)律。負(fù)荷預(yù)測(cè)方法大致可分為兩類。一類是以時(shí)間序列法為代表的傳統(tǒng)方法，主要有時(shí)間序列法、回歸預(yù)測(cè)法、灰色系統(tǒng)理論等；另一類是以人工神經(jīng)網(wǎng)絡(luò)法為代表的新型人工智能方法，包括專家系統(tǒng)預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)ANN法、模糊推理預(yù)測(cè)法、遺傳算法、小波分析法、組合預(yù)測(cè)技術(shù)。時(shí)間序列法和回歸預(yù)測(cè)法在電網(wǎng)正常、生產(chǎn)和氣象變化不大時(shí)預(yù)測(cè)效果良好，但不能考慮一些影響負(fù)荷的要素，如休息日、氣象等，當(dāng)這些因素發(fā)生突變時(shí)預(yù)測(cè)精度受到影響。神經(jīng)網(wǎng)絡(luò)和模糊理論考慮到影響負(fù)荷的一些不確定因素，但沒(méi)有徹底解決網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的難題，且需較長(zhǎng)的訓(xùn)練時(shí)間[1]。由Vanpik等提出的統(tǒng)計(jì)學(xué)習(xí)理論及從中發(fā)展出的支持向量機(jī)方法SVM能較好解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題，可用來(lái)建立較為完備的負(fù)荷預(yù)測(cè)模型[2]。SVM提供了一種小數(shù)據(jù)量下的短期負(fù)荷預(yù)測(cè)方法，在電力系統(tǒng)中獲得大量應(yīng)用。

1 支持向量機(jī)回歸算法的原理

(1)

(2)

(3)

s.t.

(4)

(5)

圖1 SVM的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Network architecture of SVM

L為支持向量的個(gè)數(shù)。

因式(4)描述了一個(gè)凸規(guī)劃問(wèn)題，其任一解均為全局最優(yōu)解。故求解式(4)無(wú)局部極值問(wèn)題。

2 支持向量機(jī)在負(fù)荷預(yù)測(cè)中的應(yīng)用

在EUNITE(european network on intelligent technologies for smart adaptive systems)于2001-08-01宣布舉行的全球性的網(wǎng)上負(fù)荷預(yù)測(cè)競(jìng)賽中，臺(tái)灣大學(xué)計(jì)算機(jī)系的Chih-Jen LIN獲得最佳成績(jī)，所采用的方法正是支持向量機(jī)。競(jìng)賽結(jié)果如圖2所示，提取了前三名的比賽結(jié)果，其中獲得第二名的David Esp采用的是自組織迭代網(wǎng)絡(luò)[3]。這個(gè)事件

一方面驗(yàn)證了SVM方法在中期負(fù)荷預(yù)測(cè)方面的優(yōu)勢(shì)，另一方面，也使得目前SVM在負(fù)荷預(yù)測(cè)中的應(yīng)用研究得到蓬勃發(fā)展[4]。

圖2 歐洲智能技術(shù)網(wǎng)絡(luò)的競(jìng)賽結(jié)果Fig.2 Results of EUNITE competition

在用SVM算法進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)時(shí)，具體步驟如下：

(1)對(duì)獲取的歷史數(shù)據(jù)進(jìn)行平滑預(yù)處理；

(2)建立預(yù)測(cè)樣本，包括歷史負(fù)荷數(shù)據(jù)、溫度數(shù)據(jù)、節(jié)假日屬性、周屬性等，然后建立系統(tǒng)模型；

結(jié)果表明，應(yīng)用SVM進(jìn)行電力系統(tǒng)負(fù)荷預(yù)測(cè)具有精度高、速度快等優(yōu)點(diǎn)，明顯改善了負(fù)荷預(yù)測(cè)的效果。由于SVM訓(xùn)練等價(jià)于解決一個(gè)線性約束的二次規(guī)劃問(wèn)題，有利于對(duì)訓(xùn)練過(guò)程的理解，并增強(qiáng)了訓(xùn)練的可控性。同時(shí)，也使得利用SVM法進(jìn)行短期負(fù)荷預(yù)測(cè)成為當(dāng)前研究的一個(gè)熱點(diǎn)。

3 支持向量機(jī)在負(fù)荷預(yù)測(cè)中的應(yīng)用及改進(jìn)

當(dāng)然，盡管研究表明SVM具有突出優(yōu)點(diǎn)，但是SVM在應(yīng)用中也存在一些問(wèn)題，特別是如何設(shè)置一些參數(shù)的選取將直接影響算法的性能和預(yù)測(cè)的效果。隨著SVM在負(fù)荷預(yù)測(cè)方面的研究應(yīng)用不斷深入，許多學(xué)者提出了一系列基于SVM的改進(jìn)方法，或者與其他算法相結(jié)合的混合預(yù)測(cè)方法，嘗試進(jìn)一步改善預(yù)測(cè)模型的效果和精度。

3.1 支持向量機(jī)在負(fù)荷預(yù)測(cè)中應(yīng)用的改進(jìn)方法

SVM最初是用于求解線性可分情況下的模式識(shí)別問(wèn)題，而后隨著ε不敏感損失函數(shù)的引入，逐步推廣到了線性回歸、非線性回歸和概率密度估計(jì)領(lǐng)域。各種改進(jìn)算法也相繼提出，比如基于線性規(guī)劃的SVM、改進(jìn)支持向量機(jī)v-SVM、最小二乘支持向量機(jī)LS-SVM，以及加權(quán)支持向量機(jī)W-SVM等[5～10]。這些方法在一定程度上改善了SVM的性能，其中LS-SVM是最常用的方法。

3.2 數(shù)據(jù)預(yù)處理、核函數(shù)構(gòu)造及選取

針對(duì)基于SVM的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)算法中，預(yù)測(cè)模型的精度和泛化能力易受樣本輸入變量的影響，輸入變量的選擇問(wèn)題成為負(fù)荷預(yù)測(cè)數(shù)據(jù)預(yù)處理的關(guān)鍵。

主成分分析PCA(principle component analy-

sis)理論和粗糙集理論是目前常用的解決輸入變量選擇問(wèn)題的兩種方法。文獻(xiàn)[11]提出一種基于PCA的LS-SVM短期負(fù)荷預(yù)測(cè)模型，該模型首先對(duì)樣本高維變量數(shù)據(jù)矩陣進(jìn)行標(biāo)準(zhǔn)化處理，建立相關(guān)矩陣，計(jì)算特征值和特征向量，然后求取累計(jì)方差貢獻(xiàn)率，并據(jù)此求取主成分作為L(zhǎng)S-SVM的輸入進(jìn)行訓(xùn)練預(yù)測(cè)。粗糙集理論在處理大數(shù)據(jù)量、消除冗余信息等方面具有優(yōu)勢(shì)[12]，結(jié)合粗糙集和SVM兩種智能算法提出的短期負(fù)荷預(yù)測(cè)模型，首先根據(jù)歷史數(shù)據(jù)建立屬性決策表，通過(guò)屬性約簡(jiǎn)算法對(duì)數(shù)據(jù)進(jìn)行挖掘，找到影響負(fù)荷的核心因素，然后將它們作為SVM的輸入向量來(lái)預(yù)測(cè)負(fù)荷[13]。

核函數(shù)的選擇對(duì)負(fù)荷預(yù)測(cè)的精度影響很大。在2001年的歐洲智能技術(shù)網(wǎng)舉行的電力系統(tǒng)負(fù)荷預(yù)測(cè)競(jìng)賽中，取得第一名的臺(tái)灣大學(xué)團(tuán)隊(duì)，在文獻(xiàn)[15]中針對(duì)SVM的四種核函數(shù)做出對(duì)比，說(shuō)明了選擇徑向基函數(shù)RBF(radial basis function)作為核函數(shù)的原因。文獻(xiàn)[16]的研究試算表明RBF核函數(shù)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方面能夠比多項(xiàng)式函數(shù)等獲得更高的精度。

3.3 與支持向量機(jī)相結(jié)合進(jìn)行預(yù)測(cè)的相關(guān)算法

鑒于單一預(yù)測(cè)方法的一些弊端，探索綜合預(yù)測(cè)已經(jīng)成為學(xué)者們的共識(shí)。經(jīng)典的和現(xiàn)代的短期負(fù)荷預(yù)測(cè)方法都存在一定的不足和缺點(diǎn)，所以結(jié)合各種預(yù)測(cè)模型優(yōu)點(diǎn)的組合預(yù)測(cè)法受到了越來(lái)越多的關(guān)注。對(duì)于SVM與其他算法相結(jié)合的混合預(yù)測(cè)方法，下文將從SVM算法用于負(fù)荷預(yù)測(cè)的機(jī)理和提高預(yù)測(cè)精度和速度的角度，全面地進(jìn)行歸納總結(jié)，并提出需進(jìn)一步探討的關(guān)鍵問(wèn)題。

3.3.1 傅里葉變換

傅里葉變換(Fourier)是一種特殊的積分變換，能將滿足一定條件的某個(gè)函數(shù)表示成正弦基函數(shù)的線性組合或者積分，通過(guò)對(duì)事物內(nèi)部適當(dāng)?shù)姆治鲞_(dá)到增進(jìn)對(duì)其本質(zhì)理解的目的。文獻(xiàn)[17]將Fourier算法與SVM共同引入電網(wǎng)短期負(fù)荷預(yù)測(cè)，對(duì)于波動(dòng)性較大的負(fù)荷，用Fourier算法濾除高次諧波分量，再對(duì)已經(jīng)濾除了高次分量的數(shù)據(jù)用SVM進(jìn)行統(tǒng)計(jì)學(xué)習(xí)；文獻(xiàn)[18]利用離散Fourier的方法將歷史負(fù)荷數(shù)據(jù)分解為不同頻域上的分量，將不同頻域上的分量依據(jù)負(fù)荷的成因及其特性組合成四種不同性質(zhì)的負(fù)荷分量，用SVM對(duì)上述各分量做不同的預(yù)測(cè)模型。將Fourier變換與SVM結(jié)合進(jìn)行負(fù)荷預(yù)測(cè)，從物理意義上來(lái)說(shuō)直觀易于理解，同時(shí)，算法的改進(jìn)空間也很大。

3.3.2 小波變換

與Fourier變換相比，小波變換是時(shí)間(空間)頻率的局部化分析，它通過(guò)伸縮平移運(yùn)算對(duì)信號(hào)(函數(shù))逐步進(jìn)行多尺度細(xì)化，從而可聚焦到信號(hào)的任意細(xì)節(jié)，解決了Fourier變換的困難問(wèn)題。

小波變換在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用可分為3步：首先，利用小波變換將短期電力負(fù)荷序列分解成不同頻段的子序列，根據(jù)需要對(duì)分解后的各子序列進(jìn)行再處理；然后，對(duì)各子序列根據(jù)其特性采用相匹配的SVM模型進(jìn)行訓(xùn)練和預(yù)測(cè)；最后把各預(yù)測(cè)結(jié)果疊加得到完整的負(fù)荷預(yù)測(cè)結(jié)果[13]。

針對(duì)小波變換在負(fù)荷預(yù)測(cè)中應(yīng)用的優(yōu)劣，提出一些改進(jìn)方案。為了提高小波變換的效率和分解質(zhì)量，利用負(fù)荷序列在小波分解中不同分辨率級(jí)能量分布不均勻的特點(diǎn)，提出了一種對(duì)各分辨率級(jí)進(jìn)行分級(jí)處理的方法，即多分辨率的小波變換方法[19]。文獻(xiàn)[20]使用多孔算法對(duì)短期負(fù)荷序列進(jìn)行小波分解，得到指定尺度下的近似系數(shù)和相關(guān)尺度下的小波系數(shù)。根據(jù)電力負(fù)荷的周期性與隨機(jī)性，文獻(xiàn)[21]提出了基于二維小波變換和LS-SVM的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法。首先構(gòu)造負(fù)荷序列二維矩陣，利用二維小波變換將負(fù)荷矩陣分解為基荷低頻、每天變化的高頻、每個(gè)時(shí)刻變化的高頻、隨機(jī)干擾四個(gè)分量，根據(jù)重構(gòu)后負(fù)荷分量的特點(diǎn)，構(gòu)造不同的LS-SVM模型進(jìn)行預(yù)測(cè)。文獻(xiàn)[22]應(yīng)用貝葉斯證據(jù)框架實(shí)現(xiàn)小波變換各尺度預(yù)測(cè)模型的超參數(shù)、核參數(shù)以及輸入變量的自適應(yīng)選擇。

綜上所述，各尺度預(yù)測(cè)模型的超參數(shù)、核參數(shù)的選取以及輸入變量的構(gòu)造，是利用小波變換方法做負(fù)荷預(yù)測(cè)需要進(jìn)一步研究的關(guān)鍵問(wèn)題。

3.3.3 聚類算法

聚類分析是一種重要的數(shù)據(jù)挖掘方法，它是將給定數(shù)據(jù)集劃分成多個(gè)組或簇群，使得每組內(nèi)部的數(shù)據(jù)矢量較為相似，組間的數(shù)據(jù)矢量則差別較大。由于多個(gè)負(fù)荷預(yù)測(cè)影響因素與預(yù)測(cè)對(duì)象之間呈現(xiàn)十分復(fù)雜的非線性關(guān)系，用任意負(fù)荷樣本不加選擇，均作為輸入樣本訓(xùn)練模型，會(huì)導(dǎo)致預(yù)測(cè)模型的泛化能力降低，故運(yùn)用聚類成為必要[23]。

將聚類分析用于負(fù)荷預(yù)測(cè)一般分為兩個(gè)步驟為：先用聚類分析方法對(duì)歷史數(shù)據(jù)序列進(jìn)行聚類，將原始負(fù)荷序列樣本分成若干子集；然后，當(dāng)給定未來(lái)預(yù)測(cè)樣本的輸入時(shí)，匹配出與未來(lái)負(fù)荷變化序列狀態(tài)特征值相似的樣本進(jìn)行預(yù)測(cè)。

文獻(xiàn)[25]提出聯(lián)合聚類算法和SVM的短期負(fù)荷預(yù)測(cè)新方法。該方法考慮到負(fù)荷變化的周期性特點(diǎn)，應(yīng)用模糊聚類分析的基本原理，依據(jù)輸入樣本的相似度選取訓(xùn)練樣本，即選用同類特征數(shù)據(jù)作為預(yù)測(cè)輸入，保證了數(shù)據(jù)特征的一致性，強(qiáng)化了歷史數(shù)據(jù)規(guī)律。該文在基于SVM負(fù)荷預(yù)測(cè)的基礎(chǔ)上，對(duì)輸入樣本進(jìn)行模糊聚類分析，只采用與預(yù)測(cè)樣本特征相似的樣本作為訓(xùn)練樣本建立SVM預(yù)測(cè)模型，減少了計(jì)算量，提高預(yù)測(cè)精度和速度。

現(xiàn)有的聚類算法非常多，應(yīng)用于負(fù)荷預(yù)測(cè)的主要是動(dòng)態(tài)聚類算法和模糊聚類算法，已經(jīng)進(jìn)行研究的有：神經(jīng)網(wǎng)絡(luò)模型的聚類算法[24]、硬C均值聚類算法[25]、模糊C均值(FCM)聚類算法[26]、最優(yōu)FCM聚類分析[27]、確定性退火聚類DA(deterministic annealing clustering algorithm)方法[28]。這些方法提高了預(yù)測(cè)精度和計(jì)算速度，但是還存在一些不足，聚類分析中分類數(shù)C以及其它參數(shù)的確定需要進(jìn)一步進(jìn)行研究，減小不定參數(shù)對(duì)結(jié)果的影響，以提高預(yù)測(cè)效果。

3.3.4 其他應(yīng)用較多的方法

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)技術(shù)與其它基于Fourier變換的信號(hào)分析技術(shù)不同，它是直接針對(duì)數(shù)據(jù)的、自適應(yīng)的和不需預(yù)先確定分解基的非線性、非平穩(wěn)信號(hào)分析方法。文獻(xiàn)[29]利用EMD將負(fù)荷序列分解成若干序列，根據(jù)各序列的變化特點(diǎn)，在考慮溫度影響因素的基礎(chǔ)上構(gòu)建不同的SVM模型，然后利用BP網(wǎng)絡(luò)進(jìn)行非線性重構(gòu)得到最終預(yù)測(cè)結(jié)果。

此外，相空間重構(gòu)理論與SVM相結(jié)合也是比較新的方法。文獻(xiàn)[30，31]提出用相空間重構(gòu)獲得的向量作為SVM的輸入?yún)⒘?，以便通過(guò)核函數(shù)的映射在高維空間呈現(xiàn)負(fù)荷時(shí)間序列的蘊(yùn)含信息，從而建立相空間重構(gòu)與SVM結(jié)合的短期負(fù)荷預(yù)測(cè)方法。

3.4 參數(shù)優(yōu)化的方法

通過(guò)大量實(shí)驗(yàn)研究發(fā)現(xiàn)，核函數(shù)中的寬度參數(shù)δ2和懲罰系數(shù)c，對(duì)SVM的性能表現(xiàn)起著非常重要的作用[32]。SVM的參數(shù)選擇對(duì)模型的性能影響很大，目前SVM的參數(shù)選擇尚缺乏公認(rèn)有效的結(jié)構(gòu)化方法，最常用的是交叉驗(yàn)證法(grid-search)[33]，是一種原始數(shù)字規(guī)劃法，也可稱為“窮舉法”。從統(tǒng)計(jì)學(xué)習(xí)理論導(dǎo)出的有VC維的界和貝葉斯法等[34]。近期應(yīng)用在基于SVM負(fù)荷預(yù)測(cè)中較多的有粒子群算法PSO(particle swarm optimization)[35]，以及針對(duì)粒子群優(yōu)化算法存在易陷入局部最優(yōu)點(diǎn)的缺點(diǎn)，提出的各種改進(jìn)方法，包括基于平均粒距的自適應(yīng)粒子群優(yōu)化算法ASPO(adaptive particle swarm optimization algorithm)[36]，基于物種概念的動(dòng)態(tài)多種群粒子群優(yōu)化算法DMPSO(dynamic multi-population particle swarm optimization algorithm)[37]，基于蟻群種群的新型優(yōu)化算法-蟻群算法[38]，適用于連續(xù)問(wèn)題的蟻群優(yōu)化算法MG-CACO(continuous ant colony optimization algorithm)[39]。由于遺傳算法較好的全局尋優(yōu)能力及泛化性能，也得到大量的運(yùn)用[40，41]。

4 結(jié)語(yǔ)

本文全面地總結(jié)了SVM在短期負(fù)荷預(yù)測(cè)中的應(yīng)用概況，現(xiàn)對(duì)基于SVM的短期負(fù)荷預(yù)測(cè)所需要注意的關(guān)鍵問(wèn)題做出總結(jié)，并提出如下建議：

(1)修正歷史負(fù)荷數(shù)據(jù)。在建立樣本集之前，會(huì)利用各種數(shù)學(xué)手段來(lái)修正負(fù)荷歷史值中的不良數(shù)據(jù)。即使如此，不良數(shù)據(jù)的修正值與其實(shí)際值間仍存在偏差，直接影響預(yù)測(cè)精度。如何對(duì)不良數(shù)據(jù)進(jìn)行更有效的處理，有待進(jìn)一步探討。

(2)輸入向量和訓(xùn)練集選取策略。負(fù)荷變化受到氣象、溫度、周期性及節(jié)假日等多種因素的影響,為能較全面地考慮各種因素對(duì)負(fù)荷的非線性影響，又能保證有效選取影響程度大的因素以降低計(jì)算維數(shù)，輸入向量應(yīng)充分合理運(yùn)用短期負(fù)荷的日周期性、同類型日的同一時(shí)刻負(fù)荷的相似性以及同一日上下時(shí)刻負(fù)荷的連續(xù)性等特征。另外，目前訓(xùn)練集的構(gòu)成多為根據(jù)經(jīng)驗(yàn)離線地進(jìn)行選擇，樣本集的大小，樣本集的冗余度都沒(méi)有一種明確的選取機(jī)制。

(3)相似樣本集的選取。負(fù)荷預(yù)測(cè)的本質(zhì)就是找出負(fù)荷的規(guī)律性，在組織樣本訓(xùn)練集時(shí)要盡量確保訓(xùn)練集的樣本具有與預(yù)測(cè)點(diǎn)相同的輸入、輸出映射函數(shù)關(guān)系、確保訓(xùn)練集內(nèi)所有樣本在輸入、輸出映射關(guān)系上是相近或相同的，具有這樣特性的樣本集可稱為“相似樣本集”。以什么標(biāo)準(zhǔn)的相似度來(lái)選取樣本集構(gòu)建預(yù)測(cè)模型有待于進(jìn)一步探討。

(4)SVM最優(yōu)模型的確定。如何科學(xué)合理地針對(duì)特定問(wèn)題選擇SVM合適的核函數(shù)和參數(shù)，是以后有待于解決的問(wèn)題；各種方法都有模型結(jié)構(gòu)、功能特點(diǎn)、適用范圍以及各類方法在電力系統(tǒng)的實(shí)際應(yīng)用情況，尋找出更適合判別模型預(yù)測(cè)性能的指標(biāo)，通過(guò)它更準(zhǔn)確地選出最優(yōu)模型，將是下一步研究的問(wèn)題。

(5)自適應(yīng)和預(yù)測(cè)軟件的實(shí)現(xiàn)。從實(shí)時(shí)性方面來(lái)講，如何實(shí)現(xiàn)SVM的遞推在線應(yīng)用，以減少訓(xùn)練時(shí)間，具有重要意義；致力于提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的精度和速度，對(duì)SVM算法進(jìn)行進(jìn)一步的研究和完善，并開(kāi)發(fā)一套成熟、可靠的負(fù)荷預(yù)測(cè)軟件，也是今后需要努力的方向。

[1] 李云飛(Li Yunfei).支持向量機(jī)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用及改進(jìn)(Application and Improvement of Support Vector Machines in Power System Short-Term Load Forecasting)[D].成都：西南交通大學(xué)電氣工程學(xué)院(Chengdu:School of Electrical Engineering of Southwest Jiaotong University)，2006.

[2] Vapnik V.The Nature of Statistical Learning Theory[M].New York:Spdnge-Verlag, 1995.

[3] Chih Weihsu,Chih Chungchang,Chih Jenlin.A practical guide to support vector classification[EB/OL].http://www.csie.ntu.edu.tw/～cjlin/papers/guide/guide.pdf,2010.

[4] 康重慶,夏清,劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)[M].北京：中國(guó)電力出版社，2008.

[5] Mukherjee Sayan, Osuna Edgar, Girosi Federico.Nonlinear prediction of chaotic time series using support vector machines[C]∥7th IEEE Workshop on Neural Networks for Signal Processing, Amelia Island, USA:1997.

[6] Kecman Vojislay, Hadzic Ivana. Support vectors selection by linear programming[C]∥International Joint Conference on Neural Networks, Como, Italy: 2000.

[7] Bernhard Scholkopf, Alex J Smola, Robert C Williamson,etal.New support vector algorithms[J].Neural Computation，2000,12(5):1207-1245.

[8] Suykens J A K, De Brabanter J , Lukas L,etal.Weighted least squares support vector machines:Robustness and sparce approximation[J].Neurocomputing，2002, 48:85-105.

[9] Lin Chun-Fu, Wang Sheng-De. Fuzzy support vector machines[J].IEEE Trans on Neural Networks, 2002, 13(2):464-471.

[10]鄭永康(Zheng Yongkang). 相空間重構(gòu)與支持向量機(jī)結(jié)合的短期負(fù)荷預(yù)測(cè)研究(Short-Term Load Forecasting Based on Phase Space Reconstruction and Support Vector Machine)[D].成都：西南交通大學(xué)電氣工程學(xué)院(Chengdu: School of Electrical Engineering of Southwest Jiaotong University)，2008.

[11]李云飛，黃彥全，蔣功連(Li Yunfei, Huang Yanquan, Jiang Gonglian).基于PCA-SVM的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on PCA-SVM)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)(Proceedings of the CSU-EPSA)，2007，19(5)：66-70.

[12]潘鋒，程浩忠(Pan Feng, Cheng Haozhong).基于RBF核函數(shù)的SVM方法在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用(The method of RBF kernel function of SVM-based in short-term load forecasting)[J].供用電(Distribution & Utilization)，2006，23(1)：16-18.

[13]張慶寶，程浩忠，劉青山，等(Zhang Qingbao, Cheng Haozhong, Liu Qingshan,etal).基于粗糙集屬性約簡(jiǎn)算法和支持向量機(jī)的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on attribute reduction algorithm of rough sets and support vector machine)[J].電網(wǎng)技術(shù)(Power System Technology)，2006，30(8)：56-59,70.

[14]耿艷，韓學(xué)山，韓力(Geng Yan, Han Xueshan, Han Li).基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on least squares support vector machines)[J].電網(wǎng)技術(shù)(Power System Technology)，2008，32(18)：72-76.

[15]劉葉玲，杜力博(Liu Yeling, Du Libo).基于RS-SVM在電力短期負(fù)荷預(yù)測(cè)中的應(yīng)用(Based on RS-SVM in short-term load forecasting of the power system)[J].科技信息(Science & Technology Information)，2009,(1)：181-182.

[16]楊鏡非，謝宏，程浩忠(Yang Jingfei, Xie Hong, Cheng Haozhong).SVM與Fourier算法在電網(wǎng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用(Application of SVM and Fourier algorithm to power system short-term load forecast)[J].繼電器(Relay)，2004，32(4)：17-19,43.

[17]龐松嶺，穆鋼，王修權(quán)，等(Pang Songling, Mu Gang, Wang Xiuquan,etal).基于負(fù)荷規(guī)律性分析的支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法(Short-term load forecasting method based on load regularity analysis for supporting vector machines)[J].東北電力大學(xué)學(xué)報(bào)：自然科學(xué)版(Journal of Northeast Dianli University：Natural Science Edition)，2006，26(4)：1-6.

[18]楊延西，劉丁(Yang Yanxi, Liu Ding).基于小波變換和最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)(Short-term load forecasting based on wavelet transform and least square support vector machines)[J].電網(wǎng)技術(shù)(Power System Technology)，2005，29(13)：60-64.

[19]朱志勇，林睦綱，張深基(Zhu Zhiyong, Lin Mugang, Zhang Shenji).基于小波變換與支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)(Short-term load forecasting based on wavelet transform and support vector machine)[J].微計(jì)算機(jī)應(yīng)用(Microcomputer Applications)，2005，26(4)：440-442.

[20]劉遵雄，鐘化蘭，張德運(yùn)(Liu Zunxiong, Zhong Hualan, Zhang Deyun).最小二乘支持向量機(jī)的短期負(fù)荷多尺度預(yù)測(cè)模型(Multi-scale short term load prediction model using least square support vector machine)[J].西安交通大學(xué)學(xué)報(bào)(Journal of Xi′an Jiaotong University)，2005，39(6)：620-623.

[21]葛嘉，肖先勇(Ge Jia, Xiao Xianyong).基于二維小波變換的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on 2-D wavelet transform)[J].四川電力技術(shù)(Sichuan Electric Power Technology)，2007，30(3)：38-41,83.

[22]楊毅強(qiáng)(Yang Yiqiang).最小二乘支持向量機(jī)短期負(fù)荷預(yù)測(cè)研究(Research on Least Squares Support Vector Machine Power System Short-term Load Forecasting)[D].成都：四川大學(xué)電氣信息學(xué)院(Chengdu:School of Electrical Engineering and Information of Sichuan University)，2006.

[23]關(guān)穎(Guan Ying).支持向量機(jī)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用(Application of Support Vector Machines in Short-term Load Forecasting of Power System)[D].天津：天津大學(xué)電氣與自動(dòng)化工程學(xué)院(Tianjin: School of Electrical Engineering and Automation of Tianjin University)，2006.

[24]胡國(guó)勝，任震(Hu Guosheng, Ren Zhen).基于支持向量機(jī)混合模型的短期負(fù)荷預(yù)測(cè)方法(Short-term load forecasting based on support vector machines mixture models)[J].高電壓技術(shù)(High Voltage Engineering)，2006，32(4)：101-103.

[25]姜惠蘭，劉曉津，關(guān)穎，等(Jiang Huilan, Liu Xiaojin, Guan Ying,etal).基于硬C均值聚類算法和支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on hard-C mean clustering algorithm and support vector machine)[J].電網(wǎng)技術(shù)(Power System Technology)，2006，30(8)：81-85.

[26]李林峰，孫長(zhǎng)銀(Li Linfeng, Sun Changyin).基于FCM聚類與SVM的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)(Power system short-term load forecasting based on fuzzy-C mean clustering algorithm and support vector machines)[J].江蘇電機(jī)工程(Jiangsu Electrical Engineering)，2007，26(3)：47-50.

[27]唐杰明，劉俊勇，劉友波(Tang Jieming, Liu Junyong, Liu Youbo).基于最優(yōu)FCM聚類和最小二乘支持向量回歸的短期電力負(fù)荷預(yù)測(cè)(Short-term load forecasting based on least square support vector regression and fuzzy C-mean clustering with the best class number)[J].現(xiàn)代電力(Modern Electric Power)，2008，25(2)：76-81.

[28]高榮，劉曉華(Gao Rong, Liu Xiaohua).基于DA聚類的多支持向量機(jī)負(fù)荷預(yù)測(cè)(Multiple support vector machines for load forecasting based on DA clustering algorithm)[J].控制工程(Control Engineering of China)，2005，12(S)：23-25，29.

[29]辛鵬，趙陽(yáng)，王忠義，等(Xin Peng, Zhao Yang, Wang Zhongyi,etal).基于經(jīng)驗(yàn)?zāi)B(tài)分解的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting in power system based on empirical mode decomposition)[J].東北電力大學(xué)學(xué)報(bào)：自然科學(xué)版(Journal of Northeast Dianli University：Natural Science Edition)，2008，28(4)：57-61.

[30]鄭永康，陳維榮，戴朝華(Zheng Yongkang, Chen Weirong, Dai Chaohua).小波支持向量機(jī)與相空間重構(gòu)結(jié)合的短期負(fù)荷預(yù)測(cè)研究(Short-term load forecasting based on wavelet support vector machine and phase space reconstruction)[J].繼電器(Relay)，2008，36(7)：29-33.

[31]王德意，楊卓，楊國(guó)清(Wang Deyi, Yang Zhuo, Yang Guoqing).基于負(fù)荷混沌特性和最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on chaotic characteristic of loads and least squares support vector machines)[J].電網(wǎng)技術(shù)(Power System Technology)，2008，32(7)：66-71.

[32]李元誠(chéng)，方廷健，于爾鏗(Li Yuancheng, Fang Tingjian, Yu Erkeng).短期負(fù)荷預(yù)測(cè)的支持向量機(jī)方法研究(Study of support vector machines for Short-term load forecasting)[J].中國(guó)電機(jī)工程學(xué)報(bào)(Proceedings of the CSEE)，2003，23(6)：55-59.

[33]李云飛，黃彥全，蔣功連(Li Yunfei, Huang Yanquan, Jiang Gonglian).基于支持向量機(jī)的短期負(fù)荷預(yù)測(cè)的方法改進(jìn)(An improved method for short-term load forecasting based on support vector machines)[J].西華大學(xué)學(xué)報(bào)：自然科學(xué)版(Journal of Xihua University：Natural Science Edition)，2007，26(2)：31-34.

[34]高榮，劉曉華(Gao Rong, Liu Xiaohua).基于支持向量機(jī)的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting method based on support vector machine combined with wavelet transform)[J].煙臺(tái)師范學(xué)院學(xué)報(bào)：自然科學(xué)版(Yantai Normal University Journal：Natural Science)，2005，21(4)：262-265.

[35]張紅梅(Zhang Hongmei).基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究(The Research of Short-term Load Forecasting Based on Support Vector Machine)[D].南京：河海大學(xué)電氣工程學(xué)院(Nanjing:School of Electrical Engineering of Hohai University)，2006.

[36]劉佳，李丹，高立群，等(Liu Jia, Li Dan, Gao Liqun,etal).基于自適應(yīng)粒子群支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)(A short-term load forecasting approach based on support vector machine with adaptive particle swarm optimization algorithm)[J].東北大學(xué)學(xué)報(bào)：自然科學(xué)版(Journal of Northeastern University：Natural Science)，2007，28(9)：1229-1232.

[37]李丹，高立群，王珂，等(Li Dan, Gao Liqun, Wang Ke,etal).基于動(dòng)態(tài)多種群粒子群支持向量機(jī)的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting approach based on support vector machine with dynamic multi-population particle swarm optimization algorithm)[J].計(jì)算機(jī)科學(xué)(Computer Science)，2008，35(7)：133-136,172.

[38]李如琦，楊立成，蘇媛媛，等(Li Ruqi, Yang Licheng, Su Yuanyuan,etal).基于相似日和蟻群優(yōu)化LS-SVM的短期電力負(fù)荷預(yù)測(cè)(Short-term electric power load forecasting based on similar days and LS-SVM optimized by ant colony algorithm)[J].現(xiàn)代電力(Modern Electric Power)，2008，25(2)：33-37.

[39]魏俊，周步祥，林楠(Wei Jun, Zhou Buxiang, Lin Nan).基于蟻群支持向量機(jī)的短期負(fù)荷預(yù)測(cè)(Short-term load forecasting based on MG-CACO and SVM method)[J].電力系統(tǒng)保護(hù)與控制(Power System Protection and Control)，2009，37 (4)：36-40.

[40]鄭永康，陳維榮，戴朝華，等(Zheng Yongkang, Chen Weirong, Dai Chaohua,etal).高斯小波支持向量機(jī)的研究(Study on Gaussian wavelet support vector machine)[J].信息與控制(Information and Control)，2008，37 (6)：670-674.

[41]張林，羅曉初，徐瑞林，等(Zhang Lin, Luo Xiaochu, Xu Ruilin,etal).基于時(shí)間序列的電力負(fù)荷預(yù)測(cè)新算法研究(Study on novel algorithm based on time series in power system load forecasting)[J].電網(wǎng)技術(shù)(Power System Technology)，2006，30(S)：595-599.

ApplicationProfilesofSupportVectorMachineinShort-termLoadForecasting

WANG Ben， LENG Bei-xue， ZHANG Xi-hai， SHAN Chong-hao， CONG Zhen

(College of Electrical Engineering, South West Jiaotong University,Chengdu 610031, China)

The application profiles of support vector machine(SVM) in the field of short-term load forecasting(STLF) is summarized in the paper.Based on the principle of SVM and compared with artificial neural network,the superiority of the SVM method in the application of STLF is elaborated.Some problems about the application of SVM,including data pre-processing,the consturcting and current solutions are provided respectively.For a series of SVM-based improvements and some mixed forecasting methods consisting of SVM with other algorithms,a comprehensive summary is given,from the perpective of the mechanism about SVM algorithm being applied to load forecasting,and the elevation of prediction accuracy and speed.Meantime,some key issues needing further discussion are put forward.Finally,some key issues about SVM-based STLF are summarized and some recommendations are given.

support vector machines(SVM)； artificial neural networks(ANN)； short-term load forecasting； data pre-processing； kernel function； parameter optimization； mixed-forecasting methods

2009-09-15

2010-01-08

TM71

A

1003-8930(2011)04-0115-07

王 奔(1960-)，男，博士后，教授，研究方向?yàn)榉蔷€性變結(jié)構(gòu)控制、電力市場(chǎng)。Email:rushing_wang@163.com

冷北雪(1984-)，女，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制、電網(wǎng)規(guī)劃。Email:lengbeixue@126.com

張喜海(1984-)，男，碩士研究生，研究方向?yàn)轱L(fēng)力發(fā)電機(jī)的運(yùn)行與控制。Email:xhzhang811@163.com