基于改進支持向量機的湖北電網特高壓規劃研究

王 楓 ，上官安琪 ，夏俊麗

(1．國網湖北省電力公司，湖北武漢430077;2．武漢大學電氣工程學院，湖北武漢430072)

0 引 言

“十三·五”是全面建設小康社會的關鍵時期，隨著湖北省社會經濟的飛速發展，全省電力需求快速增長。湖北省化石能源匱乏，水電基本開發完畢，火電用煤供應壓力加大，經濟發展需求與能源資源約束的矛盾日益突出，這將使湖北在很長一段時間內面臨電力供應緊張，建設特高壓輸電從外省輸入電力刻不容緩。因此，利用科學合理的方法對湖北省未來電力需求進行預測和分析，對經濟發展政策的制定和特高壓輸送容量等的有效規劃有著十分重要的意義。

中長期電力負荷預測是電力平衡分析的基礎，其準確性直接影響電力平衡分析的有效性。由于中長期負荷受到許多非線性因素及不確定因素的影響，進行準確的中長期負荷預測非常困難。目前應用最多的中長期負荷預測方法大致分為參數估計方法和人工智能方法［1］，參數估計方法主要包括回歸分析法［2］和灰色系統方法［3］;人工智能方法主要包括神經網絡［4］、證據理論［5］、數據挖掘技術［6］和專家系統［7］等。其中參數估計方法的精確度不是很理想，而以神經網絡為代表的人工智能方法需要的數據樣本很大，這對于中長期負荷預測來說是很不現實的。

支持向量機(SVM)是20 世紀90年代中期基于統計學理論的VC 維(Vapnik-Chervonenkis dimension)理論和結構風險最小化原則而提出的一種新的機器學習方法，最初應用于小樣本、非線性的模式識別分類問題，隨后應用于非線性擬合并表現出良好的性能。由于支持向量機對訓練樣本的數量要求少，泛化能力強，理論上以及實際應用，都證明其性能比神經網絡方法更優，因此更加適用于中長期負荷預測。本研究采用支持向量機對湖北省中長期電力負荷進行預測。由于支持向量機模型參數的選擇對預測結果的精確度有很大影響，而這些參數一般都根據經驗，人工試驗選取，非常不利于支持向量機的推廣使用，也不能達到最好的預測效果。

本研究將利用遺傳算法來實現支持向量機參數的自動選取，通過實例驗證該方法的有效性。得到中長期負荷預測的理想結果后，進一步對湖北電網進行電力平衡，對特高壓直流的建設規劃提出指導性意見。

1 湖北電網電源裝機現狀及建設規劃

獲取電源裝機現狀和未來建設規劃是電力平衡分析中計算系統可利用容量的必需步驟，湖北電網的裝機現狀和建設規劃如下。

1．1 湖北電網電源裝機現狀

截至2013年底，湖北省全口徑發電裝機容量達到6．17 ×107kW(含三峽電站2．24 ×107kW)，其中水電裝機3．732 ×107kW，占總容量的60．5%;火電裝機2．412 × 107kW，占39． 1%;新能源裝機2． 686 ×105kW，占0．4%。全省統調總裝機容量5．368 75 ×107kW，占全口徑發電裝機的87%。

湖北電網電源結構詳如表1 所示。

1．2 湖北電網建設規劃

根據湖北省“十二五”、“十三五”水電電源規劃，煤電項目的規劃及建設進展情況，以及新能源電源的建設日程，截至2020年，湖北省全口徑發電裝機容量預計達到7．292 ×107kW。本研究選取的電力平衡水平年為2015、2016、2017、2020年，各水平年湖北電網全口徑發電裝機具體規劃如表2 所示。

表1 湖北電網電源結構

表2 2014～2020年湖北電網全口徑發電裝機規劃 單位:萬kW

2 基于改進支持向量機的中長期電力負荷預測方法

全社會最大負荷的預測是電力平衡分析中的重要一步，屬于中長期負荷預測的范疇。根據引言的分析，本研究將采用支持向量機進行預測。用于預測的支持向量機稱為支持向量回歸機(support vector regress，SVR)主要有Vapnik 提出的ε-SVR［8］和Sch?lkopf 等提出的v-SVR［9］。本研究將采用ε-SVR 對湖北省中長期電力負荷進行預測，并利用遺傳算法實現SVR 參數的自動選取，克服SVR 參數選取依賴多次人工試驗的不足。

2．1 支持向量回歸機算法原理

假設訓練樣本集為{(x1，y1)，i =1，2，…，n，x1∈Rn，y1∈R}。SVR 的原理是通過非線性映射φ(x)將數據x 映射到高維特征空間F 中，并在F 中利用式(1)中的估計函數f(x)進行線性回歸［10］:

式中:ω—權值向量，b—偏置。

其函數逼近問題等價于式(2)中的期望風險函數Rrge［f］最小:

式中:Rrge［f］— 期望風險;Remp［f］— 經驗風險，Remp［f］=;λ—常數。

利用結構風險最小化思想構造損失函數，通過求解式(3)中帶有約束條件的最優問題，即可確定回歸函數f(x):

這個問題其實就是式(4)所示的對偶問題:

式中:ai，—對偶問題的參數。

求解式(4)可得到支持向量機回歸函數:

式中:k(Xi，X)—核函數，一般選取最常用的高斯核函數。SVR 預測的關鍵是獲取ε，C 和σ 的最優取值組合。

筆者采用遺傳算法來實現這些參數的自動選擇，其優點是能自適應地調整搜索方向，不需要確定的規則，并且可以使所選取的參數具有一定的概率接受調整，避免陷入局部極小值而找到全局最優解，縮短參數尋優的時間，大大增加SVM 預測模型的通用性。

2．2 基于改進SVR 的中長期電力負荷預測步驟

基于改進SVR 的負荷預測具體算法步驟為:

(1)將原始的負荷數據進行歸一化預處理;

(2)參數初始化。設定參數范圍C∈(0，106］，ε∈［0，1］，σ∈(0，2］;遺傳算法最大進化代數maxgen=200，種群最大數量sizepop=100，代溝ggap=0．9;

(3)利用遺傳算法確定SVR 的最優參數組合bestC，bestσ，bestε;

(4)利用處理好的負荷數據和優化后的參數訓練出支持向量回歸機預測模型model;

(5)將訓練樣本的輸入矩陣作為測試矩陣輸入model，得到測試結果，與訓練樣本的目標矩陣對比來驗證所得預測模型的準確性;

(6)將待預測年份的樣本輸入model，得到結果。

3 湖北電網電力平衡

本研究利用第1 節中介紹的湖北電網裝機現狀和未來規劃通過一定規則計算得出系統可利用容量，利用第2 節中介紹的基于改進SVR 的中長期電力負荷預測方法計算得出系統最大負荷，一并考慮網損、廠用電和備用容量這些因素來進行湖北電網電力平衡的分析。

3．1 電力平衡計算方法

電力平衡是電力需求與供應之間的平衡。本研究中電力平衡主要按下列公式進行:

式中:系統可利用容量—主要考慮湖北省裝機可利用容量，以及國網規劃送入湖北的電力;系統需要容量—系統最大負荷、網損、廠用電及備用容量之和［11］。

詳細的系統可利用容量和系統需要容量的計算結果，詳見3．3 節。

為了分析遠景湖北電網區域電力交換規模，本研究分別在豐大方式和枯大方式下對湖北電網進行電力平衡［12］，計算水平年為2015、2016、2017、2020年。

3．2 2015—2020年(“十三·五”)全社會最大負荷預測

筆者利用本研究提出的遺傳算法優化的支持向量機對湖北電網2015年～2020年的全社會最大負荷進行預測，采用1995年～2013年的全社會最大負荷值來訓練預測模型，訓練時將前5 個歷史值作為輸入變量，第6年的值作為目標變量，通過遺傳算法優化后，得到參數最優的SVR 模型。預測時同樣用前5年的數據來預測第6年。

為了驗證所得SVR 模型的效果，筆者將1995年～2012年的數據作為測試變量輸入模型，得到2000年～2013年的預測值，并與2000～2013年的實際值比較。作為對比，筆者采用BP 神經網絡對同樣的數據以相同的方式進行預測，采用平均相對誤差eMAPE作為比較的依據:

式中:A(i)—第i年的真實值，F(i)—第i年的預測值，n—預測總年數。

通過libsvm3．18 工具包和Matlab 的接口編程所得SVR 和BP 神經網絡的預測結果如表3、圖1 所示。遺傳算法優化得到的最優參數組合如表4所示。

表3 SVR 和BP 神經網路預測結果比較

表4 遺傳算法優化后的最優參數組合

圖1 SVR 和BP 神經網絡擬合結果與實際值的比較

表4 中，SVR 和BP 神經網絡預測結果的平均相對誤差eMAPE分別是1．33%和4．99%。可以看出，遺傳算法優化后的SVR 模型的精度明顯高于BP 神經網絡模型，因此使用改進SVR 模型預測湖北電網2014年～2020年的全社會最大負荷可以達到更好的效果。電力平衡分析所選取的幾個水平年的預測結果如表5所示。

表5 各水平年湖北電網全社會最大負荷預測值 單位:萬kW

3．3 2015～2020年(“十三·五”)湖北電網電力平衡

結合3．1 和3．2 對系統可利用容量和系統需要容量的計算，湖北電網“十三·五”電力平衡如表6 所示。

表6 水平年湖北電網電力平衡表 單位:萬kW

由表6 可知，2015年湖北電網在枯大方式下將出現電力缺口2．3 ×105kW，主要原因是枯水季節水電發電能力大幅下降，火電則因電煤供應不足出現缺煤停機。之后幾年缺電更為嚴重，2017年枯大方式下電力缺口將達到6．18×106kW，豐大方式下仍缺電3．34×106kW，已由季節性缺電向全年性缺電轉變，主要原因是湖北省電源裝機不足以及受電不足。到2020年，枯大方式下電力缺口將達到1．533 ×107kW，豐大方式下仍缺電1．332 ×107kW，電力缺口相當嚴重。

4 結束語

本研究提出了一種基于遺傳算法改進的支持向量機的中長期電力負荷預測方法，預測了湖北電網“十三·五”期間的全社會最大負荷，并與常用的BP 神經網絡法的預測結果進行對比，研究結果表明，該方法的預測精度比BP 神經網絡提高了3．66%。其次結合湖北電網電源裝機規劃與負荷預測結果進行了電力平衡，分析湖北電網“十三·五”期間的電力供需形勢。研究結果表明，湖北電網將從2015年枯大方式運行時出現電力缺口，2017年由季節性缺電向全年性缺電轉變，到2020年電力缺口將達到相當嚴重的1．533 ×107kW。因此，為保障電力供需平衡，湖北電網必須在“十三·五”期間加快特高壓建設進程，快速推進省外受電通道的建設投運。

［1］康重慶，夏 清，張伯明．電力系統負荷預測研究綜述與發展方向的探討［J］． 電力系統自動化，2004，18(17):1-11．

［2］毛李帆，江岳春，姚建剛，等．采用正交信號修正法與偏最小二乘回歸的中長期負荷預測［J］．中國電機工程學報，2009，29(16):82-88．

［3］張伏生，劉 芳，趙文彬，等．灰色Verhulst 模型在中長期負荷預測中的應用［J］． 電網技術，2003，27(5):37-39，81．

［4］李春祥，牛東曉，孟麗敏，等，基于層次分析法和徑向基函數神經網絡的中長期負荷預測綜合模型［J］．電網技術，2009，33(2):99-104．

［5］倪 明，高曉萍，單淵達．證據理論在中期負荷預測中的應用［J］．中國電機工程學報，1997，17(3):56-60．

［6］牛東曉，谷志紅，邢 棉，等． 基于數據挖掘的SVM 短期負荷預測方法研究［J］． 中國電機工程學報，2006，26(18):6-12．

［7］付 賓，羅偉林． 基于LSSVM-PID 的船舶航向控制［J］．機電工程，2013，30(5):632-635．

［8］VAPNIK． Statistical learning theory［M］．New York:Wiley，1998．

［9］SCH?LKOPF B，SMOLA A，WILLIAMSON R C，et al．New support vector algorithms［J］． Neural Computation，2000，12(5):1207-1245．

［10］王守成，支持向量機建模預測與控制［M］．北京:氣象出版社，2009．

［11］敖蕾蕾，王慧芳，杜振東．電網狀態檢修決策研究［J］．機電工程．2014，31(5):639-643．

［12］羅 龍，陳為化．浙江省特高壓電網規劃研究［J］．機電工程，2009，26(10):70-73．