基于支持向量機的有序用電負荷預測

鄭建柏

（國網廈門供電公司 福建廈門 361000）

基于支持向量機的有序用電負荷預測

鄭建柏

（國網廈門供電公司 福建廈門 361000）

供電企業在迎峰度夏期間，面臨局部地區負荷超過允許范圍，為了更好的組織有序用電，必須對重點大用戶的負荷進行預測。支持向量機作為一種針對有限樣本具有良好效果的學習方法，本文建立了一種基于支持向量機的負荷預測模型，該預測模型用廈門供電公司重點用戶的負荷數據進行測試和分析，結果表明預測結果準確率較高。

支持向量機；有序用電；負荷預測

1 引言

在迎峰度夏期間，供電企業經常面臨局部地區電力供應不足，必須開展有序用電工作，對于供電企業來說，短期內用戶的負荷情況是制定有序用電方案的重要依據。為了讓有序用電方案科學合理，在供電緊張時盡可能少的影響用戶的正常用電，需要盡可能準確的用戶負荷預測數據。

用戶負荷預測就是在充分考慮用戶的生產情況、自然條件與社會條件的情況下，研究或利用一套系統的處理過去和未來負荷的數據方法，在滿足一定精度的意義要求下，確定未來特定時刻的負荷值。負荷預測經歷了從依賴調度員的經驗到自動化、智能化轉變的過程，近年來的人工智能技術被引入了負荷預測領域，雖然與傳統的負荷預測方法比提高了預測準確率，但由于負荷預測的復雜性，預測的結果在應用中往往無法滿足實際生產需要。

支持向量機是一種以統計學習理論為基礎，針對有限樣本的一種通用學習方法，能有效解決小樣本、高維數、非線性等問題，并克服了人工神經網絡存在局部最優等缺點，大大提高了學習方法的泛函能力。鑒于SVM能在訓練樣本很少的情況下很好地達到分類推廣的目的。

本文根據有序用電工作中對負荷預測的需要，建立了一種基于支持向量機的負荷預測模型模型，并用廈門供電公司重點用戶的負荷數據進行驗證分析，新的模型取得了令人滿意的效果。

2 支持向量機

支持向量機是Vapnik等根據統計學習理論中的結構風險最小化原則提出的，最初是用來解決模式識別的問題[2]。支持向量機用于模式識別的基本思想是構造一個超平面作為決策平面，使兩類模式之間的間距最大[3]。

對于線性可分的訓練樣本：（xi，yi），xi∈Rn，yi∈{+1，-1}，i=1，…，n，我們的目的就是構造最優分類超平面使得這兩類樣本完全分開，如圖1所示。

圖1 SVM線最優分類面

最優分類方程為：x·w+b=0。為此需求解下面的二次規劃問題：

實際上，使分類間隔最大就是對推廣能力的控制，這是SVM的核心思想之一。求解最優分類面問題實際上就是利用Lagrange優化方法轉化為對偶問題，即：

最終得到決策函數是：

對于非線性可分的情況還可以采用核函數的方法，通過核函數映射使之轉化為一個在高維特征空間中構造線性分類超平面的問題。支持向量機的非線性分類決策函數表示為：

3 基于支持向量機的負荷預測模型

支持向量機已被證明在小樣本情況下具有突出的表現，也已經開始應用于多個分類領域。因此考慮引進支持向量機來建立預測模型，解決某些類別因樣本較少而誤判的問題。

支持向量機（SVM）預測模型的基本思想是，已知類別Ci、Cj的樣本較少，將類別Ci、Cj對應的樣本作為支持向量機的訓練樣本，通過支持向量機模型對樣本的學習，得到最優的參數。通過支持向量機預測模型的分類，對未知的情況進行分類預測，由此得到該信息的確切分類。

4 預測模型在有序用電短期負荷預測的應用

在有序用電中，大用戶的負荷情況對整體負荷影響最大，因此重點關注大用戶的負荷走勢，尤其是每天負荷高峰期（上午11點和下午14點）的負荷極值是否超過允許的最大負荷。廈門供電公司自從2011年實現專變用戶用電信息采集的“全覆蓋、全采集”，每天96個負荷值的采集，為組合模型的訓練學習提供了完整的數據。

選取廈門供電公司負荷最高的前50戶，利用2012～2014年三年間夏季負荷最高的一個月，每天96點負荷數據和每天的氣象數據。經過數據清洗，保留有效數據共1280條，將這些數據作為訓練樣本。在模型中經過參數優化，得到修正后的預測模型。

在2015年的有序用電期間，將廈門供電公司負荷最高50戶的用電數據、氣象數據輸入組合預測模型，重點預測明日負荷與今日負荷的對比情況，分為“高、低、平”三類進行分類預測，預測結果準確率達到98%，而且預測速度在10s以內。實驗結果表明，利用支持向量機模型進行有序用電短期負荷預測是可行和實用的。

5 結論

本文針對有序用電工作中對短期負荷預測的需求，用支持向量機分類器建立預測模型，解決了其在小樣本情況下分類效果不好的問題。通過運用支持向量機預測模型對用戶用電負荷進行診斷，收到了令人滿意的診斷效果，表明了該方法的有效性和實用性。

[1]朱永利，吳立增，李雪玉.貝葉斯分類器與粗糙集相結合的變壓器綜合故障診斷[J].電機工程學報，2005，25（10）：159～165.

[2]翟永杰.基于支持向量機的故障智能診斷方法研究：[D].保定：華北電力大學，2004.

[3]鄧乃揚，田英杰.數據挖掘中的新方法——支持向量機.北京：科學出版社，2004，6：389～417.

TM715

A

1004-7344（2016）29-0078-01

2016-10-4