摘 要： 短期負(fù)荷受到天氣、季節(jié)的綜合影響，具有一定的混沌性，為了準(zhǔn)確描述短期負(fù)荷的變化趨勢，以提高預(yù)測精度，提出一種野草算法和支持向量機(jī)相融合的短期負(fù)荷預(yù)測模型（WA?SVM）。首先收集大量的短期負(fù)荷歷史數(shù)據(jù)，并對(duì)它們進(jìn)行混沌分析和處理，建立支持向量機(jī)的訓(xùn)練和測試樣本集；然后采用支持向量機(jī)建立短期負(fù)荷預(yù)測模型，并通過野草算法找到支持向量機(jī)最優(yōu)參數(shù)；最后采用短期負(fù)荷預(yù)測仿真對(duì)比實(shí)驗(yàn)測試其性能。結(jié)果表明，WA?SVM獲得了比其他模型更高的短期負(fù)荷預(yù)測精度，為短期負(fù)荷建模與預(yù)測提供了一種新的研究方法。

關(guān)鍵詞： 電力系統(tǒng)； 短期負(fù)荷； 野草算法； 相空間重構(gòu)

中圖分類號(hào)： TN915?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）19?0099?03

Abstract： The short?term load has the chaos characteristic due to the comprehensive influence of weather and seasons. In order to describe the change trend of short?load accurately and improve the prediction accuracy， a short?term load forecasting model fusing weed algorithm with support vector machine （WA?SVM） is proposed. A large number of short?term load historical data is collected， and performed with the chaotic analysis and processing to establish the training and testing data sets of support vector machine. And then the support vector machine is used to establish the short?term load forecasting model， and the weed algorithm is used to find out the optimal parameters of support vector machine. The performance of the short?term load forecasting was tested with simulation contrast experiment. The results show that the short?term load forecasting accuracy of WA?SVM model is higher than that of other models， and this model provides a new research method for short term load modeling and forecasting.

Keywords： electric power system； short?term load； weed algorithm； phase space reconstruction

0 引 言

隨著經(jīng)濟(jì)不斷發(fā)展，電力系統(tǒng)在許多領(lǐng)域越來越重要，為了準(zhǔn)確、有效地管理電力系統(tǒng)，電力負(fù)荷是其中一種重要手段。負(fù)荷預(yù)測是對(duì)歷史數(shù)據(jù)進(jìn)行分析，找到負(fù)荷變化趨勢，以便于對(duì)電力系統(tǒng)進(jìn)行相應(yīng)的管理，短期負(fù)荷預(yù)測的實(shí)際應(yīng)用性強(qiáng)，因此提高短期負(fù)荷預(yù)測的精度已成為電力系統(tǒng)研究中的一個(gè)熱點(diǎn)問題[1]。

當(dāng)前短期負(fù)荷預(yù)測模型劃分為線性模型和非線性模型[2]。線性模型假設(shè)短期負(fù)荷呈線性趨勢變化，主要采用時(shí)間序列方法[3?4]，其易實(shí)現(xiàn)、結(jié)果解釋性好。但負(fù)荷受到多種因素影響，變化十分復(fù)雜，具有時(shí)變性、非線性，時(shí)間序列方法無法捕捉到負(fù)荷數(shù)據(jù)隱含的變化趨勢，預(yù)測結(jié)果不理想[5]。非線性模型有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine，SVM）等，相對(duì)于線性模型，它們可以更好地?cái)M合短期負(fù)荷變化特征，獲得更高的短期負(fù)荷預(yù)測精度[6?7]。但在短期負(fù)荷的建模與預(yù)測中，非線性模型同樣有不足，如神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、過擬合[8]；SVM參數(shù)直接影響到短期負(fù)荷預(yù)測精度[9]，為了獲得更優(yōu)的SVM參數(shù)，當(dāng)前采用網(wǎng)格搜索法、遺傳算法等進(jìn)行SVM參數(shù)尋優(yōu)，但在實(shí)際應(yīng)用過程中，網(wǎng)格搜索法執(zhí)行時(shí)間長、遺傳算法尋優(yōu)結(jié)果不穩(wěn)定[10]。同時(shí)短期負(fù)荷具有一定的混沌性，建模時(shí)需要對(duì)數(shù)據(jù)進(jìn)行混沌分析和處理[11]。

為了準(zhǔn)確描述短期負(fù)荷變化趨勢，以提高預(yù)測精度，提出一種野草算法和支持向量機(jī)相融合的短期負(fù)荷預(yù)測模型（WA?SVM）。首先對(duì)短期負(fù)荷歷史數(shù)據(jù)進(jìn)行混沌分析和處理，然后采用野草算法和支持向量機(jī)建立短期負(fù)荷預(yù)測模型，最后進(jìn)行短期負(fù)荷預(yù)測仿真實(shí)驗(yàn)，對(duì)模型預(yù)測性能進(jìn)行驗(yàn)證。

1 支持向量機(jī)和野草算法

4 結(jié) 語

短期負(fù)荷具有不確定性與復(fù)雜性，為了獲得更高精度的短期負(fù)荷預(yù)測結(jié)果，提出一種WA?SVM的短期負(fù)荷預(yù)測模型，并與其他模型進(jìn)行了對(duì)比分析，測試了WA?SVM進(jìn)行短期電力負(fù)荷預(yù)測的有效性和優(yōu)越性，結(jié)果表明，WA?SVM準(zhǔn)確地描述了短期負(fù)荷變化趨勢，獲得了比對(duì)比模型更優(yōu)的短期負(fù)荷預(yù)測的結(jié)果，而且訓(xùn)練時(shí)間更少，在電力管理領(lǐng)域中具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] 魏偉，牛東曉，常征.負(fù)荷預(yù)測技術(shù)的新進(jìn)展[J].華北電力大學(xué)學(xué)報(bào)，2002，29（1）：10?15.

[2] KELO S M， DUDUL S V. Short?term Maharashtra state electrical power load prediction with special emphasis on seasonal changes using a novel focused time lagged recurrent neural network based on time delay neural network model [J]. Expert systems with applications， 2011， 38（3）： 1554?1564.

[3] 劉晶，朱鋒峰，林輝，等.基于相似日負(fù)荷修正算法的短期負(fù)荷預(yù)測[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（6）：1279?1282.

[4] 王繼選，劉小貞，韓中合.基于多約束條件的電力負(fù)荷預(yù)測模型的研究[J].華東電力，2013，41（3）：643?645.

[5] 王勇，黃國興，彭道剛.帶反饋的多元線性回歸法在電力負(fù)荷預(yù)測中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2008，25（1）：83?84.

[6] 郭新辰，王雪峰，馮英浚.采用神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測的一種降維方法[J].華北電力學(xué)院學(xué)報(bào)，2002，22（2）：24?28.

[7] 程玉桂，黎明，林明玉.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的城區(qū)中長期電力負(fù)荷預(yù)測與分析[J].計(jì)算機(jī)應(yīng)用，2010，30（1）：224?226.

[8] 翟永杰，周倩，韓璞.EMD?ISMO算法在電力負(fù)荷預(yù)測中的應(yīng)用[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（12）：2858?2861.

[9] 楊延西，劉丁.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)測閉[J].電網(wǎng)技術(shù)，2005，29（13）：60?64.

[10] 姜惠蘭，劉曉津，關(guān)穎，等.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[J].電網(wǎng)技術(shù)，2006，30（8）：81?85.

[11] 權(quán)先珍，蔣傳文，張勇傳.電力負(fù)荷的混沌預(yù)測方法[J].華中理工大學(xué)學(xué)報(bào)，2000，28（7）：92?94.

[12] MEHRABIAN A R， LUCAS C. A novel numerical optimization algorithm inspired from weed colonization [J]. Ecological informatics， 2006， 1（3）： 355?366.

[13] 程其云，孫才新，張曉星，等.以神經(jīng)網(wǎng)絡(luò)與模糊邏輯互補(bǔ)的電力系統(tǒng)短期負(fù)荷預(yù)測模型及方法[[J].電工技術(shù)學(xué)報(bào)，2004，19（10）：53?58.