摘 要：常規(guī)用戶的用電負荷預測方法主要采用分層測量技術，無法提取用電行為動態(tài)影響系數(shù)，因此預測結(jié)果與實際結(jié)果間的偏差較大，預測性能不佳。為此，本文提出基于改進支持向量機的用戶端用電負荷預測研究。首先，分析影響負荷預測的因素，對其進行擬合優(yōu)化處理，以獲取綜合影響指標。其次，采用平均信息向量法求取負荷及影響指標間的相關性系數(shù)，并根據(jù)用戶用電負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，引入改進支持向量機算法，構(gòu)建負荷預測模型，進而實現(xiàn)用戶用電預測。實例應用結(jié)果顯示，所提方法得到的預測結(jié)果與實際結(jié)果基本相符，預測性能較好。

關鍵詞：改進支持向量機；用戶端；用電負荷；預測方法

中圖分類號：TP 399 " " 文獻標志碼：A

負荷預測是電力系統(tǒng)運行的關鍵環(huán)節(jié)，對保證電力系統(tǒng)的穩(wěn)定運行、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用，對負荷預測準確性和實時性的要求越來越高[1]。通過提高負荷預測的準確性，電力公司可以滿足其能源需求，同時降低運營成本，提高電力系統(tǒng)的可靠性和穩(wěn)定性。

負荷預測是一種通過數(shù)學模型來預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)濟條件、政策變化和社會行為。由于這些影響因素具有復雜性和不確定性，因此負荷預測一直是研究的熱點和難點。

此外，隨著智能技術和大數(shù)據(jù)技術發(fā)展，負荷預測的方法和技術也在不斷完善。通過建立先進的預測模型，利用機器學習和人工智能技術，可提高負荷預測的準確性。同時，通過大數(shù)據(jù)技術可以實時分析和處理海量電力數(shù)據(jù)，為負荷預測提供更準確、實時的數(shù)據(jù)支持。

綜上所述，負荷預測直接影響電力系統(tǒng)的穩(wěn)定運行和運營成本。因此，本文通過改進支持向量機算法，對用戶用電負荷預測進行了深入研究。

1 用戶端用電負荷預測方法設計

1.1 用戶端用電負荷預測影響指標優(yōu)化

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

通常，用戶端的電力負荷表現(xiàn)出周期性、隨機性和條件性特征。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)用戶端用電負荷的類型，可以將負荷預測的影響因素指標分解為4個分量，如公式（1）所示。

L=L1+L2+L3+L4 （1）

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

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

（2）

式中：xn表示第n個負荷采樣數(shù)據(jù)；b0表示采樣間隔。

采用公式（3）對負荷預測影響指標進行優(yōu)化，得到綜合影響指標。

（3）

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

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

1.2 負荷及影響指標相關性計算

為了充分分析用戶端用電負荷與綜合影響指標等輔助信息的相互影響程度，在負荷預測綜合影響指標優(yōu)化的基礎上，采用平均信息向量法計算負荷及影響指標間的相關性。

將負荷采樣數(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表示先驗向量；vm表示平均信息向量因子。

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

（5）

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

根據(jù)互信息理論，將非線性趨勢和周期性特征作為負荷變化趨勢的整體走向[4]，并確定不同尺度下單個負荷數(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行模糊化處理，由此確定溫度模糊區(qū)間?T，便于后續(xù)計算，具體見表1。

根據(jù)溫度模糊區(qū)間，并結(jié)合用戶端用電負荷特征曲線的動態(tài)變化情況，求取負荷及綜合影響指標間的相關性，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表示相關性系數(shù)。

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

1.3 基于改進支持向量機的負荷預測

用戶端用電負荷預測是一個包括多個隨機性變量的問題，通常屬于函數(shù)回歸問題的范疇。為此，本文采用改進支持向量機算法對用戶用電負荷進行預測。改進支持向量機是一種強大的監(jiān)督學習方法，適用于處理高維、非線性和具有復雜邊界的數(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行分類或回歸任務，因此其在用電負荷預測中較好的應用前景。為了進一步提升改進支持向量機在用戶端用電負荷預測中的性能，可以采取一些改進手段來提高模型的準確性和魯棒性。

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

根據(jù)圖1，利用改進支持向量機預測用戶端用電負荷的基本實施步驟如下。

基于訓練數(shù)據(jù)樣本計算負荷同時率，如公式（8）所示。

（8）

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

進而求取負荷密度指標，如公式（9）所示。

（9）

式中：ph表示劃定區(qū)域內(nèi)的最大負荷。

結(jié)合上述計算過程構(gòu)建用電負荷預測模型，如公式（10）所示。

（10）

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

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

E=δ×β0×λr×Bv （11）

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

結(jié)合用戶用電負荷綜合影響指標與相關性系數(shù)，采用改進支持向量機算法構(gòu)建負荷預測模型。基于輸入樣本，得到區(qū)域的未來負荷分布情況，進而進行用戶用電負荷預測，至此完成了基于改進支持向量機的用戶端用電負荷預測研究。

2 實例分析

2.1 試驗準備

為了確保試驗結(jié)果具備真實性與可靠性，需要重點設置試驗環(huán)境參數(shù)。綜合考慮多種因素，本文設計的試驗環(huán)境參數(shù)見表2。

本文選取的試驗數(shù)據(jù)來自某地區(qū)2022年用戶端用電負荷預測數(shù)據(jù)集。統(tǒng)計期為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、降雨量和日負荷需求。具體數(shù)據(jù)細節(jié)見表3。

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

2.2 應用結(jié)果

根據(jù)本文提出的方法，構(gòu)建以負荷相關影響因素指標為輸入樣本的負荷預測模型，并基于上述歷史負荷數(shù)據(jù)，對該區(qū)域的2022年2月—6月的用戶用電負荷進行預測。為驗證本文方法的優(yōu)越性，引入數(shù)據(jù)挖掘技術（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)域的用電負荷進行預測，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月的用戶端用電負荷進行預測。本文方法所得負荷預測值與實際值基本一致，而方法1與方法2所得預測值與實際值間的偏差較大。由此可以看出，本文方法能夠更準確地預測用戶用電負荷，預測效果較好。

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，負荷預測在電力系統(tǒng)中的作用越來越突出。通過負荷預測可以更好地規(guī)劃和調(diào)度電力資源，減少能源浪費，提高電力系統(tǒng)的穩(wěn)定性。隨著技術不斷發(fā)展，負荷預測的技術和方法也在不斷改進，未來的研究將更注重智能化、準確性和實時性，不僅有助于提高電力系統(tǒng)的運行效率，也為新能源的并網(wǎng)調(diào)度提供了重要支撐，促進了電力行業(yè)的可持續(xù)發(fā)展。因此，研究負荷預測對實現(xiàn)能源轉(zhuǎn)型、促進經(jīng)濟發(fā)展具有重要意義。

參考文獻

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

[2]王寧，陳宇，李波.基于圖時空神經(jīng)網(wǎng)絡的多充電站負荷協(xié)同預測方法[J].汽車工程學報，2023，13（5）：760-772.

[3]唐利濤，張智勇，陳俊，等.基于Autoformer的電力負荷預測與分析研究[J].華東師范大學學報（自然科學版），2023（5）：135-146.

[4]蔡華鋒，唐藝豪.基于Pyraformer網(wǎng)絡的短期電力負荷預測[J].武漢大學學報（工學版），2023，56（9）：1105-1113.

[5]彭運猛，高林，趙曉雨，等.基于LightGBM-Transformer算法的短期電力負荷預測[J].湖北民族大學學報（自然科學版），2023，41（3）：331-337.