基于支持向量机的短期电力负荷预测

时昀

电力负荷预测是电力系统领域一个传统问题。分析了现有短期电力负荷预测方法的优缺点。研究了基于支持向量机的短期电力负荷预测方法，分析了该方法在实施的步骤和相关方法，并进行了相关分析。

【关键词】负荷预测 支持向量机 粒子群算法 最小二乘向量机核函数

负荷预测是指从已知情况出发，通过对于历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测。电力负荷预测主要是以下几个目的：

（1）电能由于其特殊性导致不能大面积的储存，需要边生产边使用，所以发电量的不足或者过剩都会影响电力生产部门的经济效益。

（2）生活中电力事故时有发生，不仅会导致不同程度的经济损失，还会对人民生命财产安全造成威胁，所以对电力负荷进行预测，预先了解电力负荷的临界状态是很有必要的。

（3）而负荷预测可以了解不同区域不同机构的用电高峰期。调整用户的用电时间和负荷，利用错峰效应，充分利用整个电力系统的容量，发挥整个系统的潜力，对于缓解用电紧张有重要的意义。

1 短期电力负荷预测方法

迄今为止，国内外学者在负荷预测中做出了很多努力，预测方法按照不同时期大致的可以为分为两类：经典数学统计法和人工智能法。

1.1 经典数学统计法

1.1.1 回归模型预测法

电力负荷回归模型预测就是根据过去的电力负荷历史资料，建立可以进行数学分析的数学模型，对未来负荷进行预测。对非线性关系，它就会很难进行预测。

1.1.2 趋势外推法

此种方法是以历史数据为基础，建立一条尽可能表达历史负荷的曲线，随后根据变化趋势来进行未来某时间电力负荷预测值得读取。这种方法与回归模型预测法相比具有计算速度快，可实时分析的特点，但是其精度有限。

1.1.3 时间序列法

根据历史资料建立一个数字模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，进行预测。

1.1.4 灰色预测法

灰色理论提出一种称为系统关联度的全新分析方法，它根据因素之间发展趋势的相似或者相异度来衡量影响负荷因素间的关联程度。此方法具有算法简单，需求数据少，速度快等优点，但有一定的应用局限性。

1.2 人工智能法

目前对于非线性和复杂系统的电力负荷预测主要使用人工智能法。主要包括基于专家系统的预测技术、支持向量机、模糊控制技术、人工神经网络法、混沌预测技术等。

1.2.1 基于专家系统的预测技术

专家系统是人工智能系统中比较成熟的方法，能够模拟人类专家决策过程。

1.2.2 模糊控制方法

模糊预测方法仅仅模拟专家的推理和判断方式，并不需要建立精确的数学模型。模糊理论适合描述广泛存在的不确定性，同时它具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并能够从大量的数据中提取它们的相似性。但模糊理论也存在学习能力比较弱，映射输出比较粗糙等缺点。

1.2.3 人工神经网络算法

人工神经网络是模仿生物脑结构和功能的一种信息处理系统，有较好的容错性，但容易陷入局部收敛。

2 基于支持向量机的短期电力负荷预测

支持向量机以统计学理论为基础，通过寻求最小化的结构化风险来实现经验风险和置信范围的最小化。依靠严谨的数学推论，将有条件的极值问题转化为凸二次规划问题。面对过去较难处理的非线性问题，将样本空间映射到高维，在高维空间来解决问题，同时还通过核函数的提出，巧妙地解决了维数问题。

2.1 负荷数据的预处理与归一化

在实际使用中，我们可以根据实际情况设置一个值，当负荷实际值与测量值的差小于这个值的话，就可以认为这是一个合适的数据，可以使用；如果误差大于这个值，便是错误的数据，需要进行进一步处理。那么关于设置值的确定成为了解决问题的关键，因为我们的历史数据大多数是正确的，只有比较少的部分需要进行处理，所以可以通过数学统计的方法计算出设置值，然后利用刚刚的算法进行求解。

在构建模型时，输入的各变量差异较大，尤其反映的数量级上，为了解决这个问题，需要对数据进行归一化处理。

2.2 输入特征选取与支持向量机的参数优化选取

对于训练样本来说，输入变量应该为影响负荷量的因素，根据关联程度的大小分配以不同的权重。根据模式识别理论，低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可分，但是如果直接采用这种技术在高维空间进行分类或回归，则存在确定非线性映射函数的形式和参数、特征空间维数等问题，而最大的障碍则是在高维特征空间运算时存在的“维数灾难”。采用核函数技术可以有效地解决这样问题，核函数的选取直接影响支持向量机的预测精度。

3 结论

通过进行有效的数据处理和相关参数的选择构建的基于支持向量机的短期负荷预测方法能较为有效准确的预测短期电力负荷。但是由于负荷预测还会受到多种外界因素的影响，因此要想实现准确的电力负荷预测还需对现有方法进行不断改进和完。

参考文献

[1]王伟.基于混合核函数支持向量机的电力负荷预测[J].现代计算机，2013：22-25.

[2]盧志伟，周凌，杨丽君，冀而康，周旭.基于人工免疫加权支持向量机的电力负荷预测[J].继电器，2015，33（24）：42-44.

[3]曾勍炜，徐知海，吴键，基于粒子群优化和支持向量机的电力负荷预测[J].微电子学与计算机，2011，28（01）：147-149.

[4]游华.基于相空间重构与支持向量机的电力负荷预测[J].商业现代化，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.

作者单位

国网江苏电力公司盱眙供电公司 江苏省淮安市盱眙县 211700