基于支持向量機的短期電力負荷預測

時昀

電力負荷預測是電力系統領域一個傳統問題。分析了現有短期電力負荷預測方法的優缺點。研究了基于支持向量機的短期電力負荷預測方法，分析了該方法在實施的步驟和相關方法，并進行了相關分析。

【關鍵詞】負荷預測 支持向量機 粒子群算法 最小二乘向量機核函數

負荷預測是指從已知情況出發，通過對于歷史數據的分析和研究，探索事物之間的內在聯系和發展變化規律，對負荷發展做出預先估計和推測。電力負荷預測主要是以下幾個目的：

（1）電能由于其特殊性導致不能大面積的儲存，需要邊生產邊使用，所以發電量的不足或者過剩都會影響電力生產部門的經濟效益。

（2）生活中電力事故時有發生，不僅會導致不同程度的經濟損失，還會對人民生命財產安全造成威脅，所以對電力負荷進行預測，預先了解電力負荷的臨界狀態是很有必要的。

（3）而負荷預測可以了解不同區域不同機構的用電高峰期。調整用戶的用電時間和負荷，利用錯峰效應，充分利用整個電力系統的容量，發揮整個系統的潛力，對于緩解用電緊張有重要的意義。

1 短期電力負荷預測方法

迄今為止，國內外學者在負荷預測中做出了很多努力，預測方法按照不同時期大致的可以為分為兩類：經典數學統計法和人工智能法。

1.1 經典數學統計法

1.1.1 回歸模型預測法

電力負荷回歸模型預測就是根據過去的電力負荷歷史資料，建立可以進行數學分析的數學模型，對未來負荷進行預測。對非線性關系，它就會很難進行預測。

1.1.2 趨勢外推法

此種方法是以歷史數據為基礎，建立一條盡可能表達歷史負荷的曲線，隨后根據變化趨勢來進行未來某時間電力負荷預測值得讀取。這種方法與回歸模型預測法相比具有計算速度快，可實時分析的特點，但是其精度有限。

1.1.3 時間序列法

根據歷史資料建立一個數字模型來描述電力負荷這個隨機變量變化過程的統計規律性，在數學模型的基礎上確立負荷預測的數學表達式，進行預測。

1.1.4 灰色預測法

灰色理論提出一種稱為系統關聯度的全新分析方法，它根據因素之間發展趨勢的相似或者相異度來衡量影響負荷因素間的關聯程度。此方法具有算法簡單，需求數據少，速度快等優點，但有一定的應用局限性。

1.2 人工智能法

目前對于非線性和復雜系統的電力負荷預測主要使用人工智能法。主要包括基于專家系統的預測技術、支持向量機、模糊控制技術、人工神經網絡法、混沌預測技術等。

1.2.1 基于專家系統的預測技術

專家系統是人工智能系統中比較成熟的方法，能夠模擬人類專家決策過程。

1.2.2 模糊控制方法

模糊預測方法僅僅模擬專家的推理和判斷方式，并不需要建立精確的數學模型。模糊理論適合描述廣泛存在的不確定性，同時它具有強大的非線性映射能力，能夠在任意精度上一致逼近任何定義在一個致密集上的非線性函數，并能夠從大量的數據中提取它們的相似性。但模糊理論也存在學習能力比較弱，映射輸出比較粗糙等缺點。

1.2.3 人工神經網絡算法

人工神經網絡是模仿生物腦結構和功能的一種信息處理系統，有較好的容錯性，但容易陷入局部收斂。

2 基于支持向量機的短期電力負荷預測

支持向量機以統計學理論為基礎，通過尋求最小化的結構化風險來實現經驗風險和置信范圍的最小化。依靠嚴謹的數學推論，將有條件的極值問題轉化為凸二次規劃問題。面對過去較難處理的非線性問題，將樣本空間映射到高維，在高維空間來解決問題，同時還通過核函數的提出，巧妙地解決了維數問題。

2.1 負荷數據的預處理與歸一化

在實際使用中，我們可以根據實際情況設置一個值，當負荷實際值與測量值的差小于這個值的話，就可以認為這是一個合適的數據，可以使用；如果誤差大于這個值，便是錯誤的數據，需要進行進一步處理。那么關于設置值的確定成為了解決問題的關鍵，因為我們的歷史數據大多數是正確的，只有比較少的部分需要進行處理，所以可以通過數學統計的方法計算出設置值，然后利用剛剛的算法進行求解。

在構建模型時，輸入的各變量差異較大，尤其反映的數量級上，為了解決這個問題，需要對數據進行歸一化處理。

2.2 輸入特征選取與支持向量機的參數優化選取

對于訓練樣本來說，輸入變量應該為影響負荷量的因素，根據關聯程度的大小分配以不同的權重。根據模式識別理論，低維空間線性不可分的模式通過非線性映射到高維特征空間則可能實現線性可分，但是如果直接采用這種技術在高維空間進行分類或回歸，則存在確定非線性映射函數的形式和參數、特征空間維數等問題，而最大的障礙則是在高維特征空間運算時存在的“維數災難”。采用核函數技術可以有效地解決這樣問題，核函數的選取直接影響支持向量機的預測精度。

3 結論

通過進行有效的數據處理和相關參數的選擇構建的基于支持向量機的短期負荷預測方法能較為有效準確的預測短期電力負荷。但是由于負荷預測還會受到多種外界因素的影響，因此要想實現準確的電力負荷預測還需對現有方法進行不斷改進和完。

參考文獻

[1]王偉.基于混合核函數支持向量機的電力負荷預測[J].現代計算機，2013：22-25.

[2]盧志偉，周凌，楊麗君，冀而康，周旭.基于人工免疫加權支持向量機的電力負荷預測[J].繼電器，2015，33（24）：42-44.

[3]曾勍煒，徐知海，吳鍵，基于粒子群優化和支持向量機的電力負荷預測[J].微電子學與計算機，2011，28（01）：147-149.

[4]游華.基于相空間重構與支持向量機的電力負荷預測[J].商業現代化，2010，611：7-8.

[5]Soina De Cosmis，Ronato De Leone，ErikKropat.Electric load forecasting using support vector machines for robust regression. University of Camerino： Society for computer Simulation International，2013.

作者單位

國網江蘇電力公司盱眙供電公司 江蘇省淮安市盱眙縣 211700