,,,
(南昌航空大學(xué) 研究生院,南昌 330063)
今天,能源緊張和能源浪費的問題日益凸顯,開發(fā)新能源和高效利用現(xiàn)有能源必將成為未來的主題。短期負荷預(yù)測是節(jié)省能源的有效途徑。負荷預(yù)測的精度越高電力系統(tǒng)運行就越可靠、供電質(zhì)量越好,能源利用率也就越高。面向非線性數(shù)據(jù)預(yù)測的方法與技術(shù)是當(dāng)今負荷預(yù)測研究的熱點,近幾年來支持向量機(support vector machine,SVM)模型得到了廣泛的關(guān)注,從已有的研究文獻來看,支持向量機能夠比較好的解決小樣本,非線性,和高緯度等問題,因此在短期負荷預(yù)測方面得到了廣泛的應(yīng)用。文獻[1]將回歸支持向量機方法用于電力系統(tǒng)短期荷預(yù)測,文獻[2]通過構(gòu)LS-SVM模型,將二次優(yōu)化問題轉(zhuǎn)化成為求解線性等式集的形式,降低了計算的復(fù)雜性。針對LS-SVM存在的問題,利用粒子群算法迭代搜索最優(yōu)目標(biāo)函數(shù)值的方法,找到最優(yōu)參數(shù)取值。本文針對標(biāo)準(zhǔn)粒子群尋優(yōu)過程中容易早熟收斂及陷入局部最優(yōu)的問題提出基于細菌趨化的改進粒子群算法(PSOBC),改進后的粒子群算法利用細菌覓食特征,實現(xiàn)粒子間吸引和互斥的平衡,引導(dǎo)粒子跳出局部最優(yōu),提高了計算精度及全局尋優(yōu)能力,通過它能得到較優(yōu)的LS-SVM用電量預(yù)測模型,實驗結(jié)果表明基于改進粒子群優(yōu)化算法與支持向量機(PSOBC-SVM)的短期負荷預(yù)測具有更高的預(yù)測精度,適合于用電量預(yù)測。
目前為止,應(yīng)用廣泛的最小二乘支持向量機(least squares support vector machine,LS-SVM)的訓(xùn)練樣本選取主要依靠經(jīng)驗,很多學(xué)者研究由相似日選取訓(xùn)練樣本[3-5],文獻[3]綜合氣象,日類型和時間距離對負荷的影響,兼顧‘近大遠小’和‘周期性’量化時間相似度,選取相似日,文獻[5]將人體舒適度指數(shù)引入,綜合考慮氣象因素的影響,與星期類型,日天氣類型,時間距離構(gòu)成日特征向量,傾向于‘連續(xù)性’,選取相似日。本文在文獻[3]和[5]的基礎(chǔ)上,充分考慮短期負荷的連續(xù)性和周期性,對時間距離這一影響因子進行了改進,將負荷的連續(xù)性和周期性綜合在一起考慮,將上述兩篇文章的日期距離公式組合成為一個新的公式,并利用上述改進粒子群求得最佳匹配值。最后利用相似日的日特征向量和歷史負荷數(shù)據(jù)訓(xùn)練PSOBC-SVM模型來進行短期負荷預(yù)測。仿真結(jié)果表明該方法預(yù)測精度更高,更具有可行性。
假設(shè)有訓(xùn)練樣本集{(x1,y1)…(x1,y1)},其中xi是輸入向量,yi是輸出,l是樣本個數(shù)。LS-SVM回歸理論的基本思想是尋找一個輸入空間到輸出空間的非線性映射φ,通過這個非線性映射,將數(shù)據(jù)x 映射到一個高維特征空間,并在特征空間中用下列估計函數(shù)進行線性回歸:
f(x)=(ω,φ(x))+b
(1)
根據(jù)統(tǒng)計理論,LS-SVM 通過對以下目標(biāo)數(shù)極小化確定回歸函數(shù):
(2)
s.t.ωTφ(xi)+b+ei=yi
i=1,…,l
(3)
上式是誤差,正則化參數(shù),作為懲罰因子,控制對誤差的懲罰程度,引入Lagrange乘子,上式轉(zhuǎn)化為:
b+ei-yi)
(4)
根據(jù)KKT條件:
(5)
消去ω和e后,最優(yōu)問題轉(zhuǎn)化為一個線性系統(tǒng)求解,可以通過求解線性方程求得和b,因此非線性預(yù)測模型的表達式為:
(6)
其中:K(xi,x)表示從輸入空間到高維特征空間的非線性映射,稱為核函數(shù)。核函數(shù)取代高維特征空間中的點積運算,使計算得以簡化,本文采用RBF 核函數(shù)。
本節(jié)從生物學(xué)的角度來研究PSO算法因多樣性丟失而陷入局部最優(yōu)的問題。對細菌在覓食過程中的一種重要現(xiàn)象—趨化行為進行了研究。趨化是細菌群體中一種常見現(xiàn)象,促使細菌個體趨向有利于自身生長的環(huán)境,而逃避不利的生長環(huán)境。向引誘劑靠近增加細菌個體的成活幾率,而逃避驅(qū)除劑有利于細菌個體在其它地方發(fā)現(xiàn)更好的食物資源。啟發(fā)于細菌的這種行為,將細菌的吸引與排斥引入到PSO算法中,就是本文用到的基于細菌趨化的改進粒子群算法(PSOBC),在PSOBC中,吸引操作的定義同標(biāo)準(zhǔn)PSO,每個粒子向自身最優(yōu)位置與群體的最優(yōu)位置靠近。而排斥操作用逃離粒子的歷史最差位置與群體的最差位置來表示,粒子速度與位置按下式更新:
vid=wvid-c1r1(Wid-xid)-c2r2(Wgd-xid)
(7)
xid=xid+vid
(8)
式中,Wid表示粒子群體的最差位置,Wgd表示群體最差位置,其他變量與標(biāo)準(zhǔn)粒子群中公式變量意義相同。
為了確定吸引操作和排斥操作何種情況下執(zhí)行,引入多樣性度量:
(9)
以下結(jié)合實際數(shù)據(jù)討論在上述方法下建立的PSOBC-LSSVM的預(yù)測效果,本文選取浙江臺州2009年2月~3月的用電量數(shù)據(jù),以綜合考慮溫度,濕度和風(fēng)力形成的人體舒適度,星期類型,日天氣類型,日期差形成日特征向量,并和每天24個時點的負荷數(shù)據(jù)形成樣本對模型進行訓(xùn)練,對3月17號的用電量進行預(yù)測,并與沒有改進的PSO-LSSVM預(yù)測結(jié)果進行對比。本文采用EUNITE競賽的評判標(biāo)準(zhǔn)對預(yù)測結(jié)果進行分析,主要是:平均絕對誤差(MAPE)和最大誤差(ME)。
表1 不同模型的誤差對比方法
由表1可以看出本文方法預(yù)測結(jié)果平均絕對誤差為1.81%,最大誤差為3.2729 MW,預(yù)測精度比沒有改進前更優(yōu),本文的預(yù)測效果更好。從圖1和圖2可知改進后的預(yù)測效果整體比改進前更優(yōu),也很穩(wěn)定,體現(xiàn)了本文方法的優(yōu)越性。
圖2 PSOBC-LSSVM與PSO-LSSVM的預(yù)測結(jié)果對比
圖3 絕對誤差對比圖
目前,已有很多文獻在短期負荷預(yù)測中采用了相似日方法。相似日方法就是將影響電力系統(tǒng)日負荷的影響因素構(gòu)成一個日特征向量,采用某種相似日評估方法根據(jù)日特征向量的相似程度選取歷史日進行負荷預(yù)測。
對短期負荷預(yù)測影響較大的因素主要包括氣象因素,日類型因素,天氣類型以及時間因素。氣象因素包括溫度,濕度和風(fēng)速,日類型分為周末非工作日和正常工作日,天氣類型包括晴天,陰天,下雨,時間因素是指兩日之間相差的天數(shù),遵循“近大遠小”的原則。將各影響因素按規(guī)則量化并與對應(yīng)的負荷數(shù)據(jù)構(gòu)成日特征量。
2.1.1 氣象因素,星期類型和日天氣類型
基于對文獻[6]的分析人體舒適度指數(shù)是多個氣象因素對人體生理影響的綜合指標(biāo),并通過SPSS統(tǒng)計軟件做灰色關(guān)聯(lián)度分析,結(jié)果表明人體舒適度指數(shù)和日負荷的關(guān)聯(lián)度最大。一般人體舒適度指數(shù)公式表示為:
D=(1.818T+18.18)(0.88+0.002U)+(T-32)/
(45-T)-3.2V+18.2
(10)
D為人體舒適度指數(shù);T為日平均氣溫℃;U為日平均相對濕度%;V為日平均風(fēng)速m/s。人體舒適度分為9個等級,分別映射到[0.1,0.9]之間。
短期負荷的周期性表現(xiàn)在不同周,同一星期類型日具有相似性,一般周六和周日比較相近,并比周一到周五工作日的負荷低,為了反映該規(guī)律,一般周一至周五映射到[0.1,0.5],周六和周日的映射值為3.1,3.2。日天氣類型包括陰,晴,雨,雪等,晴天映射為0.9,多云0.7,陰天0.5,雨天0.3,雪天和其他惡劣天氣情況映射0.1。
2.1.2 時間因素
時間因素即日期差,是指預(yù)測日與歷史日之間相差的天數(shù),沒有其他因素影響下,越接近待預(yù)測日的歷史日,其與待預(yù)測日的負荷越接近,影響也越大。雖然日期差這一影響因子沒有氣象因素對負荷預(yù)測的影響大,但是在很多基于相似日法的短期負荷預(yù)測文獻中,日期差也是必不可少的影響因子。
目前大多數(shù)文獻用來定量時間距離的公式主要用到兩類,分別是:
(11)
在上式中C為日期距離量化后的取值,a為衰減系數(shù),一般取值為[0.9,0.98],k為歷史日與預(yù)測日相差的天數(shù),b為量化值下限,取值為0.1。當(dāng)a取0.9時,C的部分取值如表2所示。
表2 日期距離量化值
由表看出隨著隨著歷史日與預(yù)測日相差天數(shù)越大,日期量化值越小,量化值的連續(xù)性明顯并具有飽和效應(yīng),當(dāng)歷史日與預(yù)測日相差3或4星期,量化值沒有明顯區(qū)別,并體現(xiàn)在量化值上,當(dāng)k增大到23時,C下降到0.1,k繼續(xù)增大,C的變化不明顯。因此設(shè)定該量化值的下限為0.1。
另一類計算時間距離的公式為:
(12)
式中,β1,β2表示衰減系數(shù),一般取值[0.9,0.98],ti表示歷史日與待預(yù)測日的時間差,mod取余函數(shù),int取整函數(shù),當(dāng)β1=β2=0.9時,部分時間距離量化值如表3所示。
表3 日期距離量化值
由上表可以看出,歷史日與預(yù)測日距離越遠量化值越小,符合“近大遠小”的原則,而且具有明顯的周期性。
綜合上面兩表,不難看出兩種計算方式整體上都符合“近大遠小”的基本規(guī)則,第一類計算方法具有明顯的連續(xù)性,但忽略了負荷的周期性,在不同周的同一類型日負荷更為相似,第二類計算方法周期性明顯,但連續(xù)性某些地方不能很好的體現(xiàn),例如上表中,距離預(yù)測日的第六天3月21號量化值為0.53,第七天3月20號為0.9,相鄰兩天的映射值相差過大?;谏鲜銮闆r,本文將二者結(jié)合起來,目前兩種方法的衰減系數(shù)都是在[0.9,0.98]之間,沒有確定值,在此利用上述2.2中的改進粒子群算法確定二者的最優(yōu)配比和最優(yōu)衰減系數(shù)。由MATLAB2010a仿真的適應(yīng)度曲線如下圖,并求得最佳衰減系數(shù)為0.98,計算日期距離的計算方法前者的比重為0.7,后者0.3(四舍五入)。
圖4 求最佳權(quán)重和衰減系數(shù)的適應(yīng)度曲線圖
取預(yù)測日前的n天作為訓(xùn)練樣本,設(shè)第i日量化后日特征量取值Xi=[xi1,xi2,…xim] ,i=1,2,3,…,m為特征量數(shù)目。待預(yù)測日的特征向量為Xj,歷史日與預(yù)測日的相似度由下式計算得到:
(13)
上式是基于利用上式算出歷史日與預(yù)測日的相似度,并由高到低排列,選取相似度較大的一些歷史日作為訓(xùn)練樣本。
在本文最初選取的42個訓(xùn)練樣本的基礎(chǔ)上,本文選取相似度大于0.6的作為訓(xùn)練樣本,最終訓(xùn)練樣本數(shù)降到30個,選出相似日后,將相似日的日特征向量與負荷數(shù)據(jù)作為樣本對模型進行訓(xùn)練。將上述改進求相似日的預(yù)測結(jié)果,與給出的兩種方法的預(yù)測結(jié)果進行對比,仿真結(jié)果如圖5~6所示。
圖5 改進后與改進前相似日法的預(yù)測結(jié)果對比
圖6 改進相似日后的相對誤差
方法MAPE/%改進相似日0.144%第一類相似日0.159%第二類相似日0.167%
由圖5,圖6和表4可知基于相似日法的短期負荷預(yù)測最大平均相對誤差為0.167%,小于上述2.3中較小的誤差0.181%,說明了基于相似日發(fā)的有效性。并且改進后的相似日法預(yù)測精度也低于改進之前的,證明改進后的相似日法可行。
本文首先提出基于細菌趨化的改進粒子群優(yōu)化支持向量機(PSOBC-SVM)的短期負荷預(yù)測改進方法,改進后的粒子群算法利用細菌覓食特征,通過種群多樣性信息來判斷種群是否陷入了早熟收斂,實現(xiàn)了粒子間吸引和互斥的平衡,引導(dǎo)粒子跳出局部最優(yōu),提高了計算精度及全局尋優(yōu)能力。通過實例驗證,本文提出的基于細菌趨化的改進粒子群算法的性能優(yōu)于單一的粒子群算法,驗證了所建模型的有效性。在此基礎(chǔ)上,引入相似日方法選擇訓(xùn)練樣本,并在前人的基礎(chǔ)上,針對選取相似日有影響的時間距離這一因素進行了改進,利用粒子群算法將負荷的連續(xù)性和周期性融合到一起,形成新的時間距離影響因素,通過仿真驗證,預(yù)測精度達到了更高的水平[7-20]。
[1] 龔燈才.基于支持向量機的電力短期負荷預(yù)測研究[D].南京:河海大學(xué)碩士學(xué)位論文,2006.
[2] Cao Shugang,Liu Yanbao,Wang Yanping.A forecasting and forewarning model for methane hazard in working face of coal mine based on LS-SVM[J].Journal of China University of Mining and Technology,2008,18(2):54-59
[3] 陳 超,黃國勇,邵宗凱,等.基于日特征量相似日的PSO_SVM短期負荷預(yù)測[J].中國電力,2013,46(7):69- 73.
[4] 劉 晶.基于相似日負荷修正算法的短期負荷預(yù)測[J].計算機工程與設(shè)計,2010,31(6):1279-1282.
[5] 張玲玲.基于相似日和LS_SVM的微網(wǎng)短期負荷預(yù)測[J].電力建設(shè)學(xué)報,2014,35(11):33-37.
[6] Li Xinbin, Zhang Juan, Zhang Yan, et al. Short-term lord forecasting for similar days based on support vector machine and dempster-shafer theory[J]. Power System Technology, 2010, 34(7):143-147.
[7] Li Canping, Li Xiaohui, Zhao Rui, et al. A novel algorithm of selecting similar days for short-term power load forecasting [J].Automation of Electric Power Systems, 2008,32(9): 69-73.
[8] 張云歌. 電力系統(tǒng)的負荷預(yù)測方法研究,[D]. 昆明:昆明理工大學(xué), 2014.
[9] 胡忠義,基于文化基因算法的電力負荷預(yù)測模型,[D]. 武漢:華中科技大學(xué), 2015.
[10] 曾勍煒,知 海,吳 鍵. 基于粒子群優(yōu)化和支持向量機的電力負荷預(yù)測[J]. 微電子學(xué)與計算機,2011,28(1):148-153.
[11] 謝 宏,魏江平,劉鶴立.短期負荷預(yù)測中支持向量機模型的參數(shù)選取和優(yōu)化[J]. 中國電機工程學(xué)報, 2006,26(25):18-22.
[12] 謝 宏,牛東曉,張國立,等. 一種模糊模型的混合建模方法及在短期負荷預(yù)測中的應(yīng)用[J].中國電機工程學(xué)報,2005,25(8):17-22.
[13] 于 龍.基于模糊聚類選取相似日的短期電力負荷預(yù)測[D].上海:上海交通大學(xué),2013.
[14] 傅美平,馬紅偉,毛建容.基于相似日和最小二乘支持向量機的光伏發(fā)電短期預(yù)測[J].電力系統(tǒng)保護與控制,2012,40(16):65-69.
[15] 王海群,孟令真.粒子群優(yōu)化模糊控制在汽車空調(diào)溫控系統(tǒng)應(yīng)用[J].計算機測量與控制,2017,(25)2:25-25.
[16] Lopez M, Valero S, Senabre C, Aparicio J, Gabaldon A. Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study[J]. Electric Power Systems Research, 2012, 91:18-27.
[17] Hooshmand R A, Amooshahi H, Parastegari M. A hybrid intelligent algorithm based short-term load forecasting approach[J]. International Journal of Electrical Power&Energy Systems, 2013, 45(1):313-324:
[18] Neri F, Cotta C. Memetic algorithms and memetic computing optimization: A literature review[J]. Swarm and Evolutionary Computation, 2012,2:1-14.
[19] Qin Haichap, Wang Wei,Zhou Hui, et al. Short term electric forecast using human body amenity indicator[J]. Proceedings of the CSU-EPSA, 2006, 18(2): 63-66
[20] Ying Chen, Luh P B, Che Guan, et al. Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks [J]. IEEE Trans. Power Systems, 2010,25(1):322-330.