基于智能配電網(wǎng)環(huán)境的負(fù)荷預(yù)測分析

（國網(wǎng)漢中供電公司，陜西省漢中市，723000） 魏 山

1 智能配電網(wǎng)環(huán)境下的負(fù)荷特性

當(dāng)前通信技術(shù)與控制技術(shù)發(fā)展較為迅速，技術(shù)水平較為先進(jìn)，智能電網(wǎng)本身具備安全性、兼容性、全面性、系統(tǒng)性等一系列優(yōu)勢。智能電網(wǎng)內(nèi)部主要是由智能輸電網(wǎng)、智能配電網(wǎng)兩部分組成，其中智能配電網(wǎng)本身承擔(dān)著提供電能的功能，同時(shí)在可再生能源接入時(shí)，還承擔(dān)著緩解電網(wǎng)內(nèi)部負(fù)荷平衡的問題。在當(dāng)前電力系統(tǒng)的規(guī)劃、調(diào)度工作中，精準(zhǔn)的負(fù)荷預(yù)測工作十分重要，這也是電力系統(tǒng)正常運(yùn)作的基礎(chǔ)，因此，必須要保證短期負(fù)荷預(yù)測的精準(zhǔn)度。在智能配電網(wǎng)環(huán)境下，負(fù)荷的特點(diǎn)如下所示：①可以精準(zhǔn)預(yù)測電網(wǎng)實(shí)際負(fù)荷，并與自身實(shí)際情況結(jié)合，做到合理安排用電；②可以對電力系統(tǒng)內(nèi)部發(fā)電機(jī)組的啟動(dòng)和控制進(jìn)行合理控制，實(shí)現(xiàn)發(fā)電容量的合理調(diào)度，以此降低成本、減少浪費(fèi)的現(xiàn)象；③可以隨時(shí)預(yù)測電網(wǎng)負(fù)荷變化情況，以此實(shí)現(xiàn)掌控電力市場，合理定價(jià)的目的。

2 短期負(fù)荷預(yù)測的要求及步驟

2.1 短期負(fù)荷的要求

短期負(fù)荷通常以負(fù)荷過往的數(shù)據(jù)為基礎(chǔ)，建立專門的數(shù)學(xué)模型，使其能全面展現(xiàn)出負(fù)荷的變化規(guī)律，并精準(zhǔn)預(yù)測未來某個(gè)時(shí)刻的負(fù)荷。因此，在實(shí)際預(yù)測過程中，應(yīng)當(dāng)綜合考慮各類因素，例如：負(fù)荷水平、天氣等因素影響，都需要考慮在內(nèi)。由此可見，需要考慮以下幾點(diǎn)：①歷史數(shù)據(jù)是否合理；②預(yù)測手段是否先進(jìn)；③所建立的數(shù)學(xué)模型是否考慮到地域特點(diǎn)、預(yù)測日期、天氣狀況，以此使實(shí)際所構(gòu)建的預(yù)測模型能將負(fù)荷發(fā)展趨勢充分反應(yīng)出來；④預(yù)測模型本身是否適用，需要綜合考慮未來預(yù)測量本身的發(fā)展以及相應(yīng)變化。對于不同的預(yù)測模型，需要考慮預(yù)測效果，再選擇合適的參數(shù)。

2.2 短期負(fù)荷預(yù)測的步驟

短期負(fù)荷通常以負(fù)荷過往的數(shù)據(jù)為基礎(chǔ)，建立專門的數(shù)學(xué)模型，使其能全面展現(xiàn)出負(fù)荷的發(fā)展變化規(guī)律，測出最精準(zhǔn)的結(jié)果。

2.3 預(yù)測模型的評價(jià)指標(biāo)

預(yù)測誤差通常是指負(fù)荷預(yù)測值和實(shí)際的負(fù)荷值二者之間的偏差，負(fù)荷預(yù)測準(zhǔn)確率也就是預(yù)測值和實(shí)際值二者之間的比值。通常來看，準(zhǔn)確率高低與預(yù)測值準(zhǔn)確度呈現(xiàn)出正比關(guān)系，準(zhǔn)確度越高，預(yù)測值與實(shí)際值越接近，因此，需要重視預(yù)測誤差的分析。通常有以下幾種指標(biāo)對其預(yù)測模型好壞進(jìn)行評價(jià)。

（1）絕對誤差

（2）相對誤差

（3）平均絕對誤差

（4）平均相對誤差

（5）均方誤差

（6）均方根誤差

（7）標(biāo)準(zhǔn)誤差

在這其中，不同參數(shù)代表含義如下：參數(shù)yi、、n、m 對應(yīng)的參數(shù)解釋分別為：第i 點(diǎn)的實(shí)際負(fù)荷、第i 點(diǎn)的預(yù)測負(fù)荷、歷史負(fù)荷數(shù)據(jù)的個(gè)數(shù)、自由度，主要是指自變量和因變量個(gè)數(shù)的總和。

在進(jìn)行實(shí)際的測量中，對于評價(jià)指標(biāo)的選取，通常會選取如下指標(biāo)：絕對誤差（AE）、相對誤差（RE）、平均絕對誤差（MAE）。

2.4 樣本的選擇

對于預(yù)測對象歷史數(shù)據(jù)選擇，需要注意應(yīng)當(dāng)基于以下原則：①對于其中的預(yù)測樣本集、訓(xùn)練樣本集需要選定在同一個(gè)季節(jié)，主要是為了盡可能忽略季節(jié)變化對于負(fù)荷本身的影響。這樣就可以充分利用負(fù)荷水平等相關(guān)因素本身的規(guī)律性，以此進(jìn)行短期負(fù)荷預(yù)測。其中的訓(xùn)練樣本集需要選擇特征相同的數(shù)據(jù)輸入到模型中，主要是為了能有效提高預(yù)測的精準(zhǔn)度；②需要對預(yù)測對象輸入模型歷史數(shù)據(jù)進(jìn)行仔細(xì)挑選，具體到日期、類型等，盡可能提高預(yù)測模型的精確度；③在對負(fù)荷預(yù)測模型進(jìn)行監(jiān)測時(shí)，需要充分考慮負(fù)荷自身特點(diǎn)、天氣因素等方面的作用和影響，其中日期類型也包含休息日、工作日等。

3 人工魚群優(yōu)化PSO-LSSVM 的短期負(fù)荷預(yù)測研究

3.1 最小二乘支持向量機(jī)(LSSVM)模型

3.1.1 回歸原理

LSSVM算法是SVM的一種改進(jìn)算法，其回歸函數(shù)如下所示：

在這其中，b 為片質(zhì)量，ω 為權(quán)向量，φ(x)為非線性映射。

在此條件下，LSSVM的優(yōu)化問題可以轉(zhuǎn)化為以下公式：

在這其中，ei是誤差，e∈Rl×1是誤差向量

引入Lagrange 乘子的λ，λ∈Rl×1可以將公式（2）轉(zhuǎn)化成為：

由KKT條件可以得到：

消除其中的ω和e，可以得到公式（5）的解：

在上述公式中，λ=[λ1，λ2…,λl]T為l×1維列向量，其中Y=[y1,y2…，yl]T，在這其中，I作為單位矩陣 ，K作為核函數(shù)，K(xi,xj)=φ(xi)Tφ(xj).

因此，LSSVM的預(yù)測模型為：

在這其中，K(xi,xj)為核函數(shù)。

3.1.2 基本流程

在使用LSSVM算法建立負(fù)荷預(yù)測模型時(shí)，需要注意的一點(diǎn)就是，必須先確定標(biāo)準(zhǔn)化核參數(shù)σ和正則化參數(shù)C，主要是由于其中的標(biāo)準(zhǔn)化核函數(shù)的參數(shù)σ可以定義非線性映射函數(shù)φ（x）的基本結(jié)構(gòu)，也可以將LSSVM 參數(shù)自身相關(guān)性充分反映出來。在對其進(jìn)行實(shí)際應(yīng)用期間可以明顯發(fā)現(xiàn)，如果其中的σ過大，那么其中的LSSVM 就會欠缺對應(yīng)的訓(xùn)練。相反，σ如果比較小，那么就很容易形成過度訓(xùn)練，以此產(chǎn)生對應(yīng)的局部優(yōu)化，發(fā)揮出局部優(yōu)化的效果。若發(fā)現(xiàn)參數(shù)C本身的值太大，那么可以說明，其中對于偏差的懲罰也比較大，因此，所滿足的點(diǎn)也相對較多，而且很容易形成過度學(xué)習(xí)的問題；相反，若C值太小，那么也就可以從側(cè)面表示，對偏差懲罰相對較小，那么如果曲線過回歸到平坦?fàn)顟B(tài)，這樣就容易出現(xiàn)欠缺學(xué)習(xí)的問題。

對于短期負(fù)荷預(yù)測輸入的樣本集，具體如下所示：①對于預(yù)測日之前的一天，且同一個(gè)預(yù)測點(diǎn)的負(fù)荷；②預(yù)測前一日的日期類型值；③預(yù)測日期本身的溫度、濕度、平均溫度濕度等；④預(yù)測日前兩天的，同一個(gè)預(yù)測點(diǎn)的負(fù)荷，還有預(yù)測過程中的天氣狀況，例如：天氣是晴、多云等。其中需要注意，輸出值作為該預(yù)測日當(dāng)天某一時(shí)刻的復(fù)合值。

根據(jù)以上論述可以明顯看出，LSSVM算法建立短期負(fù)荷預(yù)測模型的具體步驟，具體如下：①可以大量收集關(guān)于負(fù)荷的相關(guān)歷史數(shù)據(jù)，并且還需要仔細(xì)、精準(zhǔn)分辨所使用到的歷史數(shù)據(jù)，并對其進(jìn)行相應(yīng)的預(yù)處理；②需要以經(jīng)過進(jìn)行預(yù)處理的歷史數(shù)據(jù)為基礎(chǔ)，建立系統(tǒng)的訓(xùn)練樣本集，用于對之前的數(shù)據(jù)進(jìn)行歸一化處理；③應(yīng)通過查閱文獻(xiàn)等方式，了解過往經(jīng)驗(yàn)，對LSSVM預(yù)測模型的最佳參數(shù)C和σ進(jìn)行確定，并建立與之相對應(yīng)的目標(biāo)函數(shù)；④求解之前的目標(biāo)函數(shù)，也就是需要對預(yù)測日當(dāng)天復(fù)合值進(jìn)行有效預(yù)測。

3.2 混沌優(yōu)化PSO-LSSVM模型的建立

混沌理論的數(shù)學(xué)定義提出較早，在上世紀(jì)70年代就有所提出，具體定義如下所示：

假設(shè)連續(xù)自映射f：I→I?R，I是R的子區(qū)間。若存在不可數(shù)集合S?I滿足以下條件：

（1）S不包含對應(yīng)的周期點(diǎn)。

（2）任何x1,x2∈S(x1≠x2)，有

這里的f t(.)=f(f(…f(.)))表示t 重函數(shù)的關(guān)系。

（3）任何x1∈S以及f的任意周期點(diǎn)p∈I，x1≠p

那么f在S上是混沌的。

混沌現(xiàn)象是當(dāng)前大自然中一種特有的運(yùn)動(dòng)現(xiàn)象，運(yùn)動(dòng)毫無規(guī)律、很難進(jìn)行預(yù)測，具有一定的不確定性，也具有一定的不可重復(fù)性?；煦鐑?yōu)化算法主要是利用載波的方式，將所選擇的混沌變量線性映射到需要進(jìn)行優(yōu)化的變量空間，同時(shí)將其進(jìn)行轉(zhuǎn)換，使其能到優(yōu)化變量的定義域，再使用全局遍歷性對其進(jìn)行搜索，在對其進(jìn)行實(shí)際優(yōu)化時(shí)，混沌算法與其他傳統(tǒng)搜索方法明顯不同，主要是使用二次載波搜索的方法對問題進(jìn)行優(yōu)化。

3.3 人工魚群優(yōu)化PSO-LSSVM的短期負(fù)荷預(yù)測模型

人工魚群算法又稱為AFSA，是一種群體智能算法，模仿了大自然界中魚群覓食的行為，因此叫人工魚群算法。具體步驟如下所示：①自然界中魚群可以通過魚群的氣息進(jìn)行跟隨，因此，可以對該行為進(jìn)行模擬；②當(dāng)自然界一條魚找到食物，其他魚就會聚集在一起分享食物，這可以通過人工魚群的聚集行為對其進(jìn)行模擬仿真。

PSO-LSSVM 的短期負(fù)荷預(yù)測模型中的參數(shù)C和σ作為所優(yōu)化的問題，因此，優(yōu)化的目標(biāo)函數(shù)如下所示：

在該公式中，yij作為第j天的第i點(diǎn)的實(shí)際負(fù)荷值，其中為預(yù)測值，N作為測試樣本，M=24，也就是指，大約每小時(shí)預(yù)測一次。

在確定所優(yōu)化的目標(biāo)函數(shù)后，需要轉(zhuǎn)化其本身所存在的關(guān)鍵性問題，并將其進(jìn)行轉(zhuǎn)化，轉(zhuǎn)化成為相應(yīng)的約束條件，具體為C∈[0,200]，σ∈[0.1,50]的情況下，對目標(biāo)函數(shù)優(yōu)化問題進(jìn)行求解。

4 算例分析

為了有效驗(yàn)證人工魚群優(yōu)化PSO-LSSVM 短期負(fù)荷預(yù)測模型的有效性，選取西北某省的電力系統(tǒng)2021 年4 月5 日到5 月5 日的負(fù)荷數(shù)據(jù)作為進(jìn)行樣本數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)模型，選取5月6日的負(fù)荷數(shù)據(jù)，將其作為測試數(shù)據(jù)，主要是用來對算法預(yù)測精度進(jìn)行檢測。在這其中，粒子數(shù)m=20，visual=3.5，step=1.5，crowd=0.618，其中粒子參數(shù)c1=2，c2=2，tmax=10，因此使用人工魚群優(yōu)化PSOLSSVM 算法預(yù)測對2021 年5 月6 日一天24 小時(shí)每一個(gè)小時(shí)負(fù)荷進(jìn)行預(yù)測。其中利用預(yù)測日每時(shí)間段的實(shí)際負(fù)荷值與LSSVM 算法、人工魚群優(yōu)化PSO-LSSVM 算法和混沌優(yōu)化PSO-LSSVM 算法的短期預(yù)測結(jié)果如圖1所示。

圖1 短期負(fù)荷預(yù)測曲線

綜上，當(dāng)C=12.5,σ=3.4時(shí)，對于預(yù)測精準(zhǔn)度，人工魚群優(yōu)化PSO-LSSVM為0.435%，混沌優(yōu)化PSO-LSSVM 算法為0.81%，可以看出，前者的預(yù)測精度明顯更高。由此可見，人工魚群優(yōu)化PSOLSSVM的短期負(fù)荷預(yù)測算法具有更高的實(shí)用價(jià)值。

5 結(jié)語

在當(dāng)前智能配電網(wǎng)的環(huán)境下，需要做好短期負(fù)荷預(yù)測的工作，這對于發(fā)電部門制定發(fā)電計(jì)劃、購電計(jì)劃、機(jī)組維修計(jì)劃方面都有著重要作用，能為其提供重要理論參考依據(jù)，目前在電力調(diào)度部門中，已經(jīng)成為日常重要工作。本文詳細(xì)介紹了LSSVM 模型，該模型精準(zhǔn)度明顯更高，但是對于短期負(fù)荷預(yù)測模型參數(shù)選擇方面，仍然具有一定的盲目性，這些都需要依賴于之前的經(jīng)驗(yàn)和不斷測試進(jìn)行測量，針對這一問題，提出行之有效的解決辦法，也可以看出，人工魚群優(yōu)化PSO-LSSVM 的短期負(fù)荷預(yù)測算法具有更高的實(shí)用價(jià)值。