摘 要：常規(guī)用戶的用電負(fù)荷預(yù)測方法主要采用分層測量技術(shù)，無法提取用電行為動態(tài)影響系數(shù)，因此預(yù)測結(jié)果與實(shí)際結(jié)果間的偏差較大，預(yù)測性能不佳。為此，本文提出基于改進(jìn)支持向量機(jī)的用戶端用電負(fù)荷預(yù)測研究。首先，分析影響負(fù)荷預(yù)測的因素，對其進(jìn)行擬合優(yōu)化處理，以獲取綜合影響指標(biāo)。其次，采用平均信息向量法求取負(fù)荷及影響指標(biāo)間的相關(guān)性系數(shù)，并根據(jù)用戶用電負(fù)荷特征曲線時間序列提取用電行為動態(tài)影響系數(shù)。最后，引入改進(jìn)支持向量機(jī)算法，構(gòu)建負(fù)荷預(yù)測模型，進(jìn)而實(shí)現(xiàn)用戶用電預(yù)測。實(shí)例應(yīng)用結(jié)果顯示，所提方法得到的預(yù)測結(jié)果與實(shí)際結(jié)果基本相符，預(yù)測性能較好。

關(guān)鍵詞：改進(jìn)支持向量機(jī)；用戶端；用電負(fù)荷；預(yù)測方法

中圖分類號：TP 399 " " 文獻(xiàn)標(biāo)志碼：A

負(fù)荷預(yù)測是電力系統(tǒng)運(yùn)行的關(guān)鍵環(huán)節(jié)，對保證電力系統(tǒng)的穩(wěn)定運(yùn)行、優(yōu)化電力資源配置和減少能源損失具有重要意義。隨著能源結(jié)構(gòu)調(diào)整和可再生能源的廣泛應(yīng)用，對負(fù)荷預(yù)測準(zhǔn)確性和實(shí)時性的要求越來越高[1]。通過提高負(fù)荷預(yù)測的準(zhǔn)確性，電力公司可以滿足其能源需求，同時降低運(yùn)營成本，提高電力系統(tǒng)的可靠性和穩(wěn)定性。

負(fù)荷預(yù)測是一種通過數(shù)學(xué)模型來預(yù)測未來電力需求的方法。該方法需要同時考慮各種因素，包括氣候條件、經(jīng)濟(jì)條件、政策變化和社會行為。由于這些影響因素具有復(fù)雜性和不確定性，因此負(fù)荷預(yù)測一直是研究的熱點(diǎn)和難點(diǎn)。

此外，隨著智能技術(shù)和大數(shù)據(jù)技術(shù)發(fā)展，負(fù)荷預(yù)測的方法和技術(shù)也在不斷完善。通過建立先進(jìn)的預(yù)測模型，利用機(jī)器學(xué)習(xí)和人工智能技術(shù)，可提高負(fù)荷預(yù)測的準(zhǔn)確性。同時，通過大數(shù)據(jù)技術(shù)可以實(shí)時分析和處理海量電力數(shù)據(jù)，為負(fù)荷預(yù)測提供更準(zhǔn)確、實(shí)時的數(shù)據(jù)支持。

綜上所述，負(fù)荷預(yù)測直接影響電力系統(tǒng)的穩(wěn)定運(yùn)行和運(yùn)營成本。因此，本文通過改進(jìn)支持向量機(jī)算法，對用戶用電負(fù)荷預(yù)測進(jìn)行了深入研究。

1 用戶端用電負(fù)荷預(yù)測方法設(shè)計(jì)

1.1 用戶端用電負(fù)荷預(yù)測影響指標(biāo)優(yōu)化

用戶端電力負(fù)荷受各種因素的影響，并具有不同的特性變化。因此，在預(yù)測用戶端用電負(fù)荷的過程中，有必要分析用電負(fù)荷影響因素，并對其進(jìn)行優(yōu)化，以獲得綜合影響指標(biāo)。

通常，用戶端的電力負(fù)荷表現(xiàn)出周期性、隨機(jī)性和條件性特征。其變化趨勢不僅受天氣等氣象條件的制約，還受日期因素的影響[2]。因此，根據(jù)用戶端用電負(fù)荷的類型，可以將負(fù)荷預(yù)測的影響因素指標(biāo)分解為4個分量，如公式（1）所示。

L=L1+L2+L3+L4 （1）

式中：L表示用電負(fù)荷的總負(fù)荷指標(biāo)；L1表示與氣象因素相關(guān)的負(fù)荷影響指標(biāo)，主要受各種氣象變化類型的影響；L2表示與日期因素相關(guān)的負(fù)荷影響指標(biāo)，主要包括節(jié)假日、休息日、月份和工作日等時間段；L3表示其他隨機(jī)因素指標(biāo)，包括用戶的用電行為方式、用電時間以及用電設(shè)備的啟停狀況等；L4表示由特殊外部因素引起的電力負(fù)荷分量影響指標(biāo)，通常難以預(yù)見與檢測。

假設(shè)某地區(qū)用戶端用電負(fù)荷的采樣序列為（x1，x2，..，xn），其中n為采樣時間，則與各影響因素指標(biāo)相對應(yīng)的分辨序列如公式（2）所示。

（2）

式中：xn表示第n個負(fù)荷采樣數(shù)據(jù)；b0表示采樣間隔。

采用公式（3）對負(fù)荷預(yù)測影響指標(biāo)進(jìn)行優(yōu)化，得到綜合影響指標(biāo)。

（3）

式中：fc表示影響指標(biāo)的基本概率賦值；t0表示光滑系數(shù)；L'表示優(yōu)化后的負(fù)荷預(yù)測影響指標(biāo)。

通過分析影響用戶端用電負(fù)荷的各種因素，將這些因素指標(biāo)分解，并對其進(jìn)行優(yōu)化處理，可以得到綜合影響因素指標(biāo)，為后續(xù)計(jì)算負(fù)荷及影響指標(biāo)的相關(guān)性提供有力的數(shù)據(jù)基礎(chǔ)。

1.2 負(fù)荷及影響指標(biāo)相關(guān)性計(jì)算

為了充分分析用戶端用電負(fù)荷與綜合影響指標(biāo)等輔助信息的相互影響程度，在負(fù)荷預(yù)測綜合影響指標(biāo)優(yōu)化的基礎(chǔ)上，采用平均信息向量法計(jì)算負(fù)荷及影響指標(biāo)間的相關(guān)性。

將負(fù)荷采樣數(shù)據(jù)看作二維變量，并將其映射到二維平面上。在該平面上將其劃分為m行n列、尺寸相等的網(wǎng)格[3]，則在該數(shù)據(jù)集合下，映射數(shù)據(jù)在多維空間中的投影如公式（4）所示。

（4）

式中：cf表示高斯核函數(shù)；dc表示先驗(yàn)向量；vm表示平均信息向量因子。

根據(jù)用戶用電負(fù)荷特征曲線時間序列，提取不同用電行為習(xí)慣間的動態(tài)影響系數(shù)，如公式（5）所示。

（5）

式中：Dx表示負(fù)荷數(shù)據(jù)點(diǎn)間的數(shù)值距離；am表示負(fù)荷曲線的相似性。

根據(jù)互信息理論，將非線性趨勢和周期性特征作為負(fù)荷變化趨勢的整體走向[4]，并確定不同尺度下單個負(fù)荷數(shù)據(jù)的最優(yōu)特征，如公式（6）所示。

M'=Ac×F0/kt （6）

式中：F0表示數(shù)據(jù)的幅值矩陣；kt表示溫度特征。

針對上述溫度特征，對研究區(qū)域的全年溫度變化范圍進(jìn)行模糊化處理，由此確定溫度模糊區(qū)間?T，便于后續(xù)計(jì)算，具體見表1。

根據(jù)溫度模糊區(qū)間，并結(jié)合用戶端用電負(fù)荷特征曲線的動態(tài)變化情況，求取負(fù)荷及綜合影響指標(biāo)間的相關(guān)性，如公式（7）所示。

q1=M'∑∑?Tj×l1 （7）

式中：?Tj表示第j個溫度模糊區(qū)間；l1表示模糊區(qū)間的隸屬度；q1表示相關(guān)性系數(shù)。

基于用戶端用電負(fù)荷預(yù)測的綜合影響因素指標(biāo)，采用平均向量法將負(fù)荷數(shù)據(jù)映射到二維空間中，結(jié)合溫度模糊區(qū)間，求取負(fù)荷及綜合影響指標(biāo)間的相關(guān)性，便于最終實(shí)現(xiàn)負(fù)荷預(yù)測。

1.3 基于改進(jìn)支持向量機(jī)的負(fù)荷預(yù)測

用戶端用電負(fù)荷預(yù)測是一個包括多個隨機(jī)性變量的問題，通常屬于函數(shù)回歸問題的范疇。為此，本文采用改進(jìn)支持向量機(jī)算法對用戶用電負(fù)荷進(jìn)行預(yù)測。改進(jìn)支持向量機(jī)是一種強(qiáng)大的監(jiān)督學(xué)習(xí)方法，適用于處理高維、非線性和具有復(fù)雜邊界的數(shù)據(jù)。該方法可將樣本映射到高維特征空間，并找到最佳超平面來進(jìn)行分類或回歸任務(wù)，因此其在用電負(fù)荷預(yù)測中較好的應(yīng)用前景。為了進(jìn)一步提升改進(jìn)支持向量機(jī)在用戶端用電負(fù)荷預(yù)測中的性能，可以采取一些改進(jìn)手段來提高模型的準(zhǔn)確性和魯棒性。

在利用改機(jī)支持向量機(jī)進(jìn)行用戶端用電負(fù)荷預(yù)測過程中，將預(yù)測負(fù)荷總值作為輸出，將歷史負(fù)荷數(shù)據(jù)、綜合影響因素及其與負(fù)荷間的相關(guān)性系數(shù)作為輸入[5]，對其進(jìn)行訓(xùn)練，得到向量機(jī)的特征量，并結(jié)合負(fù)荷特征變化得到負(fù)荷值。基于改進(jìn)支持向量機(jī)的負(fù)荷預(yù)測流程如圖1所示。

根據(jù)圖1，利用改進(jìn)支持向量機(jī)預(yù)測用戶端用電負(fù)荷的基本實(shí)施步驟如下。

基于訓(xùn)練數(shù)據(jù)樣本計(jì)算負(fù)荷同時率，如公式（8）所示。

（8）

式中：q1表示負(fù)荷及綜合影響指標(biāo)間的相關(guān)性因子；X0表示拉普拉斯矩陣；do表示膨脹系數(shù)。

進(jìn)而求取負(fù)荷密度指標(biāo)，如公式（9）所示。

（9）

式中：ph表示劃定區(qū)域內(nèi)的最大負(fù)荷。

結(jié)合上述計(jì)算過程構(gòu)建用電負(fù)荷預(yù)測模型，如公式（10）所示。

（10）

式中：N'表示負(fù)荷密度指標(biāo)的預(yù)測回歸系數(shù)；Sp表示區(qū)域面積。

由此采用負(fù)荷預(yù)測模型對研究區(qū)域的用戶端用電負(fù)荷進(jìn)行預(yù)測，得到該區(qū)域的未來負(fù)荷總量，如公式（11）所示。

E=δ×β0×λr×Bv （11）

式中：β0表示負(fù)荷樣本的關(guān)鍵局部特征；λr表示方向調(diào)整參數(shù)；Bv表示相關(guān)變量。

結(jié)合用戶用電負(fù)荷綜合影響指標(biāo)與相關(guān)性系數(shù)，采用改進(jìn)支持向量機(jī)算法構(gòu)建負(fù)荷預(yù)測模型。基于輸入樣本，得到區(qū)域的未來負(fù)荷分布情況，進(jìn)而進(jìn)行用戶用電負(fù)荷預(yù)測，至此完成了基于改進(jìn)支持向量機(jī)的用戶端用電負(fù)荷預(yù)測研究。

2 實(shí)例分析

2.1 試驗(yàn)準(zhǔn)備

為了確保試驗(yàn)結(jié)果具備真實(shí)性與可靠性，需要重點(diǎn)設(shè)置試驗(yàn)環(huán)境參數(shù)。綜合考慮多種因素，本文設(shè)計(jì)的試驗(yàn)環(huán)境參數(shù)見表2。

本文選取的試驗(yàn)數(shù)據(jù)來自某地區(qū)2022年用戶端用電負(fù)荷預(yù)測數(shù)據(jù)集。統(tǒng)計(jì)期為2022年1月1日—2022年1月10日，共有1258組數(shù)據(jù)記錄。該數(shù)據(jù)集包括3類信息，即平均溫度、相對濕度、降雨量和日負(fù)荷需求。具體數(shù)據(jù)細(xì)節(jié)見表3。

由表3數(shù)據(jù)可以看出，用戶端用電需求負(fù)荷與平均溫度、相對濕度以及降雨量3個影響指標(biāo)因素間存在線性關(guān)系，因此可構(gòu)建回歸模型預(yù)測該區(qū)域的未來用電負(fù)荷量。

2.2 應(yīng)用結(jié)果

根據(jù)本文提出的方法，構(gòu)建以負(fù)荷相關(guān)影響因素指標(biāo)為輸入樣本的負(fù)荷預(yù)測模型，并基于上述歷史負(fù)荷數(shù)據(jù)，對該區(qū)域的2022年2月—6月的用戶用電負(fù)荷進(jìn)行預(yù)測。為驗(yàn)證本文方法的優(yōu)越性，引入數(shù)據(jù)挖掘技術(shù)（方法1）、決策樹算法（方法2）作為本文方法的對比方法，分別采用上述3種方法對研究區(qū)域的用電負(fù)荷進(jìn)行預(yù)測，對比結(jié)果如圖2所示。

如圖2所示，分別采用本文方法與對照組方法對研究區(qū)域2022年2月—6月的用戶端用電負(fù)荷進(jìn)行預(yù)測。本文方法所得負(fù)荷預(yù)測值與實(shí)際值基本一致，而方法1與方法2所得預(yù)測值與實(shí)際值間的偏差較大。由此可以看出，本文方法能夠更準(zhǔn)確地預(yù)測用戶用電負(fù)荷，預(yù)測效果較好。

3 結(jié)語

在能源需求不斷增長和追求可持續(xù)發(fā)展的背景下，負(fù)荷預(yù)測在電力系統(tǒng)中的作用越來越突出。通過負(fù)荷預(yù)測可以更好地規(guī)劃和調(diào)度電力資源，減少能源浪費(fèi)，提高電力系統(tǒng)的穩(wěn)定性。隨著技術(shù)不斷發(fā)展，負(fù)荷預(yù)測的技術(shù)和方法也在不斷改進(jìn)，未來的研究將更注重智能化、準(zhǔn)確性和實(shí)時性，不僅有助于提高電力系統(tǒng)的運(yùn)行效率，也為新能源的并網(wǎng)調(diào)度提供了重要支撐，促進(jìn)了電力行業(yè)的可持續(xù)發(fā)展。因此，研究負(fù)荷預(yù)測對實(shí)現(xiàn)能源轉(zhuǎn)型、促進(jìn)經(jīng)濟(jì)發(fā)展具有重要意義。

參考文獻(xiàn)

[1]馬玉草，高鵬飛，張鐵峰，等.5G基站和數(shù)據(jù)中心的中長期負(fù)荷預(yù)測研究[J].電力科學(xué)與工程，2023，39（9）：63-70.

[2]王寧，陳宇，李波.基于圖時空神經(jīng)網(wǎng)絡(luò)的多充電站負(fù)荷協(xié)同預(yù)測方法[J].汽車工程學(xué)報(bào)，2023，13（5）：760-772.

[3]唐利濤，張智勇，陳俊，等.基于Autoformer的電力負(fù)荷預(yù)測與分析研究[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023（5）：135-146.

[4]蔡華鋒，唐藝豪.基于Pyraformer網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2023，56（9）：1105-1113.

[5]彭運(yùn)猛，高林，趙曉雨，等.基于LightGBM-Transformer算法的短期電力負(fù)荷預(yù)測[J].湖北民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，41（3）：331-337.