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(wèn)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(guò)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(guò)剩都會(huì)影響電力生產(chǎn)部門(mén)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(hù)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(lèi)：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(guò)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(lái)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(lái)進(jìn)行未來(lái)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(lái)描述電力負(fù)荷這個(gè)隨機(jī)變量變化過(guò)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(chēng)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(lái)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(zhuān)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(zhuān)家系統(tǒng)的預(yù)測(cè)技術(shù)

專(zhuān)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(lèi)專(zhuān)家決策過(guò)程。

1.2.2 模糊控制方法

模糊預(yù)測(cè)方法僅僅模擬專(zhuān)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(guò)尋求最小化的結(jié)構(gòu)化風(fēng)險(xiǎn)來(lái)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(wèn)題轉(zhuǎn)化為凸二次規(guī)劃問(wèn)題。面對(duì)過(guò)去較難處理的非線性問(wèn)題，將樣本空間映射到高維，在高維空間來(lái)解決問(wèn)題，同時(shí)還通過(guò)核函數(shù)的提出，巧妙地解決了維數(shù)問(wèn)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(wèn)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(guò)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(wèn)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(lái)說(shuō)，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(guò)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(lèi)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(wèn)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(wèn)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(guò)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