楊凱帆，黃 婧，謝 梟，王若昕，沈丹青，何麗娜，陳汝科

（1.國網(wǎng)湖北省電力有限公司鐘祥市供電公司，湖北鐘祥 431900；2.國網(wǎng)湖北省電力有限公司沙洋縣供電公司，湖北沙洋 448200）

引言

電力負荷預(yù)測按時間期限通常分為長期、中期、短期和超短期負荷預(yù)測。短期負荷預(yù)測指一年以內(nèi)以月為單位的負荷預(yù)測，在短期內(nèi)通過預(yù)測手段進行負荷預(yù)測，使電能供需平衡。為了更加精確還可以以周、天、小時為單位進行預(yù)測，這有利于電力部門對電能實施合理調(diào)度。負荷預(yù)測是否準確可以給電力部門帶來豐厚的利潤，還可以減少對資源的浪費，有利于電力的合理規(guī)劃。

現(xiàn)在，有很多學者都在研究短期負荷預(yù)測，也有了許多研究成果。從采用的預(yù)測方法來看，大致可以分為傳統(tǒng)預(yù)測方法和人工智能方法。隨著計算機技術(shù)的普及，人工智能方法得到了飛速發(fā)展，基本取代了傳統(tǒng)的預(yù)測方法。傳統(tǒng)預(yù)測方法主要有回歸分析法、時間序列法等，這類方法在處理數(shù)據(jù)能力上不強，速度也比較慢，預(yù)測的精度也不夠高。人工智能方法主要有人工神經(jīng)網(wǎng)絡(luò)、模糊控制方法、群智能算法等，這些方法隨著計算機技術(shù)的發(fā)展，在處理數(shù)據(jù)方面得到了大量應(yīng)用。

本研究主要采用支持向量機的方法，該方法是由學者Vapnik等人在1995年提出的一種新型機器學習算法-支持向量機。同其他人工智能方法相比，該方法在考慮風險最小化方面的機制具有一定的優(yōu)勢，在進行數(shù)據(jù)處理時，可以全方位地考慮，不必擔心數(shù)據(jù)丟失，在數(shù)據(jù)復(fù)雜時依然有很強的學習能力。因此，其泛化能力遠好于人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯。SVM算法在預(yù)測方面的優(yōu)越性主要體現(xiàn)在預(yù)測精度比較高，實用性比較強，對于數(shù)據(jù)特征比較少的模型也能夠進行準確預(yù)測，收斂時間比較短，可以為預(yù)測節(jié)約大量的時間，降低機器的損耗，此外，該算法可調(diào)參數(shù)少，減少了因參數(shù)過多導(dǎo)致的模型結(jié)構(gòu)復(fù)雜，使得預(yù)測結(jié)果不準確的可能。所以，SVM被廣泛應(yīng)用在負荷預(yù)測中。

1 支持向量機

1.1 基本原理

該理論主要是在原始支持向量機的拓展應(yīng)用上發(fā)展起來的，基本的支持向量機常用來解決分類問題。在基本的算法中，由Vapnik引入一個不敏感損失參數(shù)ε，使基本的支持向量機得到了優(yōu)化，讓其擁有了函數(shù)回歸的能力。相關(guān)方法如下。

設(shè)訓練樣本如下所示：

式中：xi∈Rn表示輸入，yi∈R表示函數(shù)的輸出，l表示需要訓練的個數(shù)。由式(1)可以得到，回歸問題就是選擇一條函數(shù)曲線使其很好地擬合已知數(shù)據(jù)且很好地預(yù)測未知數(shù)據(jù)。

對于一般的線性回歸函數(shù)：

如式（2）的樣本，要想得到比較好的回歸函數(shù)，使回歸誤差較小，需要得到一個ω值，并且保證這個值處在最小的范圍?？梢酝ㄟ^利用范數(shù)的概念，使該值最小，線性回歸問題就可以用求解式（3）的最小值來表示。

約束條件為：

另外，考慮到可能存在一定誤差，可以在函數(shù)中嵌入兩個變量，如式（5）所示。

不敏感損失函數(shù)ε如式（6）所示。

經(jīng)過上述處理后的優(yōu)化問題為：

約束條件為：

1.2 最小二乘支持向量機

最小二乘支持向量機是在基本SVM上拓展出來的一種具有基本SVM的算法，最先應(yīng)用該算法的為Suykens等學者。與原始的算法相比較，LS-SVM具有很多優(yōu)點，算法中所需要的參數(shù)比較少，增加了算法的穩(wěn)定性，將復(fù)雜的約束條件簡化，使改進后SVM在數(shù)據(jù)處理能力更強。并且將誤差平方和設(shè)定為算法的損失函數(shù)，使LS-SVM在回歸預(yù)測的性能上得到了增強，提高了預(yù)測精度。同時，降低了算法的復(fù)雜度，減少了算法處理數(shù)據(jù)的時間，更具有靈活性。原理如式（9）所示。若采用非線性模型：

給出輸入數(shù)據(jù)為(xi,yi),i=1,…,l,其中xi∈Rd表示不同的元素，如天氣狀況、用電量等，d表示維度，yi∈R表示輸出的期望值，l表示輸入個數(shù)的總數(shù)。?(x)表示映射函數(shù)。綜上可得，LS-SVM優(yōu)化目標如式(10)所示。

式中，ei表示誤差，其值的大小決定了預(yù)測精度的高低；e∈Rl×1表示誤差向量，γ表示正則化參數(shù)，決定誤差大小的程度。在式（10）中加入一個Lagrange乘子，λ∈Rl×1，式（10）可表示如下:

由KKT條件，得

消去ω和e，則式（12）的解為：

其中，λ=[λ1,λ2,…,λl]T,I=[1,1,…,1]T為l×1 維列向量，Y=[y1,y2,…,yl]T,Ω ∈Rl×l，且 Ωij=φ(xi)Tφ(xj)=K(xi,xj)，K表示一個核函數(shù)，K(xi,xj)=φ(xi)Tφ(xj)，為了使算法運算簡便，將復(fù)雜的點積運算用核函數(shù)替換。所以，非線性預(yù)測模型可用式（14）表示:

2 仿真分析

為了提高LS-SVM方法的預(yù)測精度，參數(shù)選擇至關(guān)重要，可以先根據(jù)經(jīng)驗得到適合預(yù)測模型的核函數(shù)參數(shù)和正則化參數(shù)，分別為σ=3，C=30。歷史負荷數(shù)據(jù)表示的是在之前時間段內(nèi)的用電量，可以直接表現(xiàn)出這個地區(qū)相同時間內(nèi)的負荷水平，獲得某地區(qū)一個月的負荷數(shù)據(jù)，選擇對負荷影響比較大的特性指標作為輸入，利用最小二乘支持向量機預(yù)測，結(jié)果如圖1所示。

從圖1中可以看出，最小二乘支持向量機的預(yù)測精度比較高，與實際負荷相差不大，能夠較好地提供預(yù)測數(shù)據(jù)，給電廠發(fā)電帶來便利。

3 結(jié)論

通過仿真可知，LS-SVM的數(shù)據(jù)處理能力優(yōu)秀，在數(shù)據(jù)樣本較少的情況下，也能夠得到準確的預(yù)測模型，并且在處理復(fù)雜非線性問題時，也具有一定的優(yōu)勢。在電力系統(tǒng)中，短期負荷預(yù)測已成為電力系統(tǒng)管理現(xiàn)代化的重要指標，利用該方法預(yù)測短期負荷可以帶來可觀的經(jīng)濟效益，并可保證電力系統(tǒng)的穩(wěn)定運行。