基于支持向量机方法的短期负荷预测研究

电力专栏　警簿　黪　基于支持向量机方法的短期负荷预测研究　林佳亮。李暖群，黄庆键　（揭阳供电局，广东揭阳５１０６２０）　摘要：利用支持向量机方法对短期负荷进行预测研究，以提高电力行业发展情况。　关键词：支持向量机；短期负荷；－Ｎｍ４；回归理论；核函数　０引言　随着电力行业逐渐参与到市场格局，电力工业内　容也逐渐应用竞争模式。这对电力部门提出了全新要　求。负荷预测是电力交易过程中的主要数据来源，对　于电力企业发展建设具有重要作用，负荷预测精准性　能够直接决定电力企业发展情况。目前负荷预测水平　已经成为判断电力企业现代化建设水平的主要因素，　提高电力系统负荷预测精准性已经成为电力系统发　展中的重要任务。　１支持向量机的回归理论　支持向量机是一种以统计学习理论作为基础的　机器学习算法。目前支持向量机在模式分类及函数估　计等领域已经得到广泛应用，能够有效解决各领域在　发展建设过程中所存在网络重构、谐波分析等问题。　】．１机器学习简介　机器学习是人工智能在发展到一定阶段之后的　成果，也是人工智能的重点研究对象。现代智能计算　技术中的主要内容就是基于数据的统计学习问题。基　于数据的统计学习与传统统计学之间存在一定差异，　主要是对人类在学习过程中的归纳性能进行模拟，以　及对数据内规律挖掘方面进行研究，并利用所挖掘出　来的规律对对象进行客观性分析。　１．２统计学习理论的产生　统计学方法在实际应用中主要是对大量数据进　行观察．找到适合数据所应用的理论模型。该方法主　要对数据无穷大特点进行研究分析，在实际评估中以　分类错误率及无偏性等理论作为特点研究基础。统计　学习理论结构示意图如图１所示。统计学在实际应用　中需要遵循经验风险最小化原则，在有限数据内发展　新的学习方法。但由于统计学习理论是专门针对有限　作者简介：林佳￣（１９８６一），电力技术工程师，从事电网规划　和项目管理等方面工作。　收稿日期：２０１６．０９．０８　数据集而言，需要以技术的机器学习规律作为基础，　所以统计学能够为统计模式识别和器械学习问题分　析提供良好的理论基础ｎ］。　／—＿■■。二＝　＼　ｒ＼　ｓ、　ｎ　（　＿＿　＠≥／／　、　、—～—／　图１统计学习理论结构示意图　２基于支持向量机的短期负荷预测　电力系统负荷预测的关键内容就是根据原有数　据创建数学模型，并对系统负荷状态及发展情况进行　描述　支持向量机方法在实际应用中所具有的优势十　分显著，能够有效解决数据有限、局部等问题，进而为　电力负荷预测创建完善的负荷预测模型。研究发现，　利用支持向量机方法对电力系统负荷程度进行预测，　能够显著提高预测结果的精准性及结果预测速度，提　升电力系统负荷预测水平。正是由于支持向量机方法　能够有效解决线性限制问题，让负荷理解更加容易，　拥有良好的操作性。　２．１支持向量机用户负荷预测的样本选择及预处理　支持向量机在电力系统负荷预测中的应用，主要　目的就是发现一种合理映射，该映射需要具有良好的　推广性能，能够将影响因素全部反映出来，支持向量机　中的机器学习首先需要对样本进行训练，才能对电力　系统负荷进行预测。然而电力系统负荷预测模型精准　性及广泛应用性非常容易受到样本的影响．因此负荷　预测数据处理关键问题就是输入变量的选择［２］。　２．１．１样本的特征选择　电力系统短期负荷预测实际上属于多变量预测　问题．可将其看成函数回归问题。假设负荷预测值是　函数输出值，影响负荷因素为输入值。支持向量机特　点量就是训练数据内的每一个数据，任何一个数据在　输入之后就表示负荷的一个特点。数据排列方式对于　模型计划具有一定影响，其中最为常见的输入值有三　种，分别是历史负荷序列、时间因素、气温。气温对样　自动化应用　２０１６　ｉ　１２期　１５０　＇　—，　，　仨　◇警蕊　本特征选择造成的影响曲线图如图２所示。　写日３　＝　０　５　１０　１５　２０　２５　３０　Ｄａｙ　图２气温对样本选择的影响　２．１．２训练和测试样本的确定　针对支持向量机的电力系统短期负荷预测过程　中所出现的特征筛选问题，研究人员开展了大量研　究，使用了多种方式对样本特征进行确认。现在应用　最为广泛的一种解决方式就是主成分分析法。该方　法具有的优势：在实际应用中能有效减小样本所需　要的空间，保证预测质量；其次降低不同变量之间相　关性对于预测模型所造成的影响，提高模型预测精　准性［引。　在对电力系统负荷数据进行研究之后．输入了以　下特征量：预测前７天的负荷最大值；前７天温度平均　值；预测１３的周属性；节日属性。在特征量输入完毕后，　对电力系统负荷原有数据进行了统一化处理。　２．２负荷数据的统一化处理　在对测试样本进行统计后。由于各种因素的影　响，需要对样本数据进行统一化处理，主要目的是降　低大量数据对小价值数据的影响，保证计算过程中对　数值不会造成任何影响。进行统一化处理的原因是需　要对特征向量的内积进行计算，这样数据特征计算难　度就会较高…。　２．３核函数构造、选取及参数优化的方法　对负荷预测精准性造成较大影响的是核函数　的选择，本文选择的核函数为ＲＢＦ。经过大量试验　发现，核函数对于宽度参数及惩罚系数的处理方　式，比对支持向量机的功能更为重要。若将损失参　数与惩罚参数都规定为０．００１，则训练集的标准方　差与核函数宽度参数之间将呈现正比例关联．也就　是标准方差在增大的过程中核函数宽度参数也会　增大；并且．测试集标准方差与核函数宽度参数之　间将呈现负比例关联。也就是标准方差在减小过程　中核函数宽度参数会增大。这也表明，核函数宽度　参数要是规定较小，会造成支持向量机出现过学习　１５　１　ＢＩＷＷ．ａｕｔｏ—ａｐｐｌｙ．ｃｏｒｎ自动化应用　的情况　３基于ＩＳＯＤＡＴＡ—ＳＶＭ的电力系统短期负荷　预测　根据电力短期负荷预测情况。提出一种基于　ＩＳＯＤＡＴＡ—ＳＶＭ算法及支持向量机方法的电力系统　短期负荷预测方法。这种方法是以电力系统负荷日　周期作为前提，利用ＩＳＯＤＡＴＡ—ＳＶＭ算法．输入训练　样本，进而保证数据特点的相同。这样不仅能够提高　训练样本数据所具有的规律性，还能够保证支持向　量法的训练速度，减少数据计算量，提高负荷预测　精准性。　３．１　ＩＳＯＤＡＴＡ—ＳＶＭ算法在负荷数据分类的研究　ＩＳＯＤＡＴＡ—ＳＶＭ属于动态算法，目前在电力系统　负荷预测中应用较为广泛。实际上ＩＳＯＤＡＴＡ—ＳＶＭ算　法与Ｃ一均值算法之间具有一定的相同点．二者之间　的差别就是ＩＳ０ＤＡＴＡ—ＳＶＭ在每一次对样本进行归　类时都需要对样本均值进行计算，在样本归类完毕　之后也需要对样本均值进行计算。由此可见，　ＩＳＯＤＡＴＡ—ＳＶＭ算法的计算速度要远远高于Ｃ一均值　算法［　。　ＩＳＯＤＡＴＡ—ＳＶＭ算法在实际应用中会受到输入值　及方差的影响，由于ＩＳＯＤＡＴＡ—ＳＶＭ算法在实际计算　之前就要对类别数目进行确定，因此无法自动聚类。　在满足聚类条件之后，ＩＳＯＤＡＴＡ—ＳＶＭ算法就会停止　计算，此时聚类中心样本数量就不会再发生改变．原　始数据会逐渐聚集到中心周边。　３．２基于支持向量机方法和ＩＳＯＤＡＴＡ—ＳＶＭ算法　的综合负荷预测模型　在对ＩＳＯＤＡＴＡ—ＳＶＭ算法研究之后，本文提出　了一种支持向量机方法和ＩＳ０ＤＡＴＡ—ＳＶＭ算法相　结合的短期负荷预测模型，该模型是以ＩＳＯＤＡＴＡ—　ＳＶＭ算法聚类作为基础，判断预测样本属于训练　样本还是学习样本，并应用支持向量机方法对电　力系统负荷进行预测。该模型不仅将数据样本之　间的相似点考虑在内，还根据样本相似点进行预　测，保证数据统一性处理口１。基于支持向量机方法和　ＩＳ０ＤＡＴＡ—ＳＶＭ算法的综合负荷预测模型实际步骤　为：　（１）对原有数据进行统一处理。　（２）创建训练样本及预测样本。　（３）使用ＩＳＯＤＡＴＡ—ＳＶＭ算法对训练样本进行聚　类，构成训练样本集合。　电力专栏　（４）计算出训练样本集合到聚集中心之间最佳聚　类，与样本最近的类别就是样本的类别．训练样本内　数据全部都是支持向量机预测的学习样本。　参考文献　［１】梁建武，陈祖权，谭海龙．短期负荷预测的聚类组合和　（５）创建支持向量机负荷预测模型．通过预测样　本及数学方式对电力系统进行负荷预测　对基于支持向量机方法和ＩＳＯＤＡＴＡ—ＳＶＭ算　支持向量机方法［Ｊ］．电力系统及其自动化学报，２０１１（１）：　３４．３８　［２】李瑾，刘金朋，王建军．采用支持向量机和模拟退火算　法的中长期负荷预测方法［Ｊ］．中国电机工程学报，２０１１　法的综合负荷预测模型整体分析之后发现．预测　时间延长之后，支持向量机对负荷预测精准性也　不断提高。ＩＳＯＤＡＴＡ—ＳＶＭ算法预测精准性一定十　分稳定。出现这种情况的主要原因是ＩＳＯＤＡＴＡ—　（１６）：６３－６６　［３】曾鸣，吕春泉，田廓，等．基于细菌群落趋药性优化的最　小二乘支持向量机短期负荷预测方法［Ｊ］．中国电机工　ＳＶＭ算法和支持向量机方法都具有良好的延续　性，也就是惯性原则，但ＩＳＯＤＡＴＡ—ＳＶＭ算法延续　性并没有支持向量机显著，所以在实际预测过程　中精准性一定十分稳定，但却表现出良好的原则　性［Ｒｌ　－程学报，２０１　１（３４）：９３－９９，１１　［４］浦星材，沈晓风，张清扬，等．基于偏最小二乘法的支持　向量机短期负荷预测［Ｊ】．电网与清洁能源，２０１１（１０）：３２　３５．４２　［５］李鑫滨，张娟，张岩，等．基于Ｄ－Ｓ证据理论的相似日支　持向量机短期负荷预测［　电网技术，２０１０（７）：１４３—１４７　［６］杨国健，杨镜非，童开蒙，等．短期负荷预测的支持向量　机参数选择方法［Ｊ］．电力系统及其自动化学报，２０１２（６）：　１４８．１５１　４结语　电力系统负荷预测作为电力系统内的重要内容，　对电力生产及电能分配都具有重要作用。电力行业在　进入到市场化经济格局后，电力企业对于短期负荷预　［７］李霄，王昕，郑益慧，等．基于改进最小二乘支持向量机　和预测误差校正的短期风电负荷预测［Ｊ】．电力系统保　测精准性提出了更加严苛的要求。支持向量机是一种　新型技术，在实际应用中拥有十分显著性能，本文以　支持向量机方法为基础，对电力系统短期负荷预测进　行了分析研究。　护与控制．２０１５（１１）：６３－６９　［８］王小君，毕圣，徐云鸡，等．基于数据挖掘技术和支持向　量机的短期负荷预测［Ｊ］．电测与仪表，２０１６（１０）：６２—６７　（上接第１４５页）　者向下转发。向下转发的报文被后续双模电能表３接　明了载波一无线双模模块的应用价值。电力线载波和　微功率无线通信的双模通信方式逐步得到市场的肯　定，真正发挥了载波和无线通信的优点，安装、维护　收，双模电能表３通过双信道通信回应数据．或者向　载波电能表４进行转发。载波电能表由于不具备双模　通信，所以只会通过电力线进行数据回复。此种通信　方式主要解决电能表２和电能表３之间因为载波干　扰等原因导致的抄表盲区和孤岛现象等问题。　调试方面和单纯载波和无线通信同样简单．既能保　证实时性、稳定性，又可实现双向互动通信等优点。　载波一无线双模模块将在智能电网的建设中发挥重　大作用。　参考文献　［１］石际．电力通信及其在智能电网中的应用［Ｊ］．通信技　载波　术，２０１２（０６）　［２】罗隽灏．基于智能电网的电力线载波通信研究［Ｄ］．广　州：华南理工大学。２０１１　图１双模通信示意图　［３］马晓奇，赵宇东，邵滨，等．基于ＯＦＤＭ的低压电力线载　波通信和微功率无线通信的双模通信的低压集抄系　３结语　分析通信系统对构建智能电网的重要性．讨论电　统［Ｊ］．科技通报，２０１６（０６）　［４】陈晨．电力线载波＋微功率无线通信在用电信息采集　系统中的创新研究及应用［Ｊ］．科技论坛２０１４（１２）　自动化应用　２０１６｝１２期　１５２　力载波通信、微功率无线通信单独应用的优缺点，说