張紅+金月+郭彥春

摘 要：電力系統(tǒng)負(fù)荷預(yù)測對電力調(diào)度部門來說是非常重要的，精確的負(fù)荷預(yù)測是經(jīng)濟(jì)、可靠和安全的電力系統(tǒng)運(yùn)行和規(guī)劃的依據(jù)，直接關(guān)系到電力系統(tǒng)供電計劃的制定和電力系統(tǒng)短期運(yùn)行方式的安排。該文提出了一種改進(jìn)的基于徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測的方法，經(jīng)GA優(yōu)化的SVM多核徑向基函數(shù)去提取有用數(shù)據(jù)，提高了短期負(fù)荷預(yù)測精度，該文以吉林某地區(qū)春季負(fù)荷為輸入，仿真結(jié)果表明算法的可行性。

關(guān)鍵詞：RBF 神經(jīng)網(wǎng)絡(luò) 負(fù)荷預(yù)測 支持向量機(jī)

中圖分類號：TM715 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2014）10（b）0089-01

電力系統(tǒng)負(fù)荷預(yù)測直接影響供電平衡。由于電能不能大量儲存，發(fā)電、供電、用電必須同時完成。這就要求發(fā)電廠與電力公司發(fā)電、用電有嚴(yán)格的計劃性，使發(fā)電用電能夠達(dá)到瞬間平衡。假如系統(tǒng)的用電量超過發(fā)電量，則應(yīng)當(dāng)采取必要措施增加發(fā)電量，否則將出現(xiàn)電壓下降、頻率下降；反之，如發(fā)電量過剩，則也應(yīng)采取必要措施來降低供電量，否則將出現(xiàn)頻率上升，電能質(zhì)量嚴(yán)重下降等嚴(yán)重后果[1]。

隨著影響電力負(fù)荷的條件越來越復(fù)雜，電力負(fù)荷的變化非線性、時變性和不確定性特點需要進(jìn)一步提高預(yù)測精度。同時隨著現(xiàn)代科學(xué)技術(shù)的不斷進(jìn)步，理論研究的逐步深入，以灰色理論、專家系統(tǒng)理論、模糊數(shù)學(xué)、神經(jīng)網(wǎng)絡(luò)等為代表的新興交叉學(xué)科理論的出現(xiàn)，也為負(fù)荷預(yù)測的飛速發(fā)展提供了堅實的理論依據(jù)和數(shù)學(xué)基礎(chǔ)。現(xiàn)在典型的非數(shù)學(xué)模型法主要有人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）法以及模糊理論建立起來的預(yù)測方法等[2]。

1 支持向量機(jī)

1.1 SVM簡介

支持向量機(jī)SVM （Support Vector Machine，簡稱SVM）是由Vanpik領(lǐng)導(dǎo)的AT&T Bell實驗室研究小組。在1963年提出的一種新的非常有潛力的分類技術(shù)，SVM是一種基于統(tǒng)計學(xué)習(xí)理論的模式識別方法，主要應(yīng)用于模式識別領(lǐng)域，直到20世紀(jì)90年代，出現(xiàn)了過學(xué)習(xí)與欠學(xué)習(xí)問題、局部極小點問題等，使得SVM迅速發(fā)展和完善，其在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。SVM用于分類決策的基本思想是構(gòu)造一個超平面，使正負(fù)模式之間的間隔最大[3]。

SVM算法基本過程：

準(zhǔn)備多組訓(xùn)練樣本

約束條件：

尋求最優(yōu)超平面：

2 基于GA算法改進(jìn)的多核SVM

2.1 遺傳算法的基本概念

遺傳算法（Genetic Algorithm，簡稱GA）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，進(jìn)行遺傳（選擇），交叉，變異使得基因不斷優(yōu)化，經(jīng)過N代，產(chǎn)生更適應(yīng)環(huán)境的新種群（即近似最優(yōu)解）[4]。

遺傳算法的處理流程為產(chǎn)生的新一代種群又進(jìn)行循環(huán)操作，這樣一代又一代不斷繁殖、進(jìn)化，最后收斂到一群最適應(yīng)環(huán)境的個體上，求得問題的最優(yōu)解。對于復(fù)雜的優(yōu)化問題，遺傳算法無需建模和進(jìn)行復(fù)雜的運(yùn)算，只要利用遺傳算法的三種算子就能尋找到優(yōu)化的解。它尤其適用于處理傳統(tǒng)方法難以解決的復(fù)雜和非線性問題。本文則應(yīng)用遺傳算法去優(yōu)化支持向量機(jī)中核函數(shù)的核參數(shù).

2.2 基于GA算法改進(jìn)的多核SVM

由于徑向基核函數(shù)是最為常見的核函數(shù)，將徑向基核函數(shù)的SVM為研究目標(biāo)。在解決分類問題時，應(yīng)盡可能發(fā)揮SVM識別能力較強(qiáng)的特征的作用，抑制無效特征，由公式：

3 實例仿真與分析

以吉林某地區(qū)的負(fù)荷數(shù)據(jù)作為原始數(shù)據(jù)，輸入樣本為15天輸出為第15天的原負(fù)荷與預(yù)測負(fù)荷。

圖1中紅線為預(yù)測日期望負(fù)荷，藍(lán)線為模型預(yù)測負(fù)荷。由圖可以看出預(yù)測模型結(jié)果與真實負(fù)荷走向一致。由以上仿真實例可以看出改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)與原RBF神經(jīng)網(wǎng)絡(luò)相比具有更高的精確性，平均誤差、最大誤差、最小誤差都較原始RBF神經(jīng)網(wǎng)絡(luò)有較大的減小。

4 結(jié)語

采用經(jīng)GA優(yōu)化的多核SVM網(wǎng)絡(luò)對輸入樣本進(jìn)行分類，對預(yù)測日樣本分類，找出與預(yù)測日樣本類相同的一組數(shù)據(jù)，輸入RBF神經(jīng)網(wǎng)絡(luò)中，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后輸入預(yù)測日的樣本輸出結(jié)果，將結(jié)果進(jìn)行還原得到預(yù)測日負(fù)荷。通過比較可知與原始RBF神經(jīng)網(wǎng)絡(luò)較好的優(yōu)越性，說明算法的可行性。

參考文獻(xiàn)

[1] 王毅.電力系統(tǒng)短期負(fù)荷預(yù)測技術(shù)的研究與實現(xiàn)[M].華北電力大學(xué)碩士學(xué)位論文，2008.

[2] 王黎明，王艷松.基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[J].電氣技術(shù)，2007（4）：53-55.

[3] 曹安照，田麗.基于RBF神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J].電子科技大學(xué)學(xué)報，2006（2）：33-35.

[4] 李良敏，溫廣瑞.基于遺傳算法的改進(jìn)徑向基支持向量機(jī)及其應(yīng)用[J].系統(tǒng)仿真學(xué)報，2008，20（22）：6088-6092.endprint