基于鱼群算法和支持向量机的微电网负荷预测

刘源

（大庆油田电力集团油田热电厂，黑龙江省大庆市 163314）

基于鱼群算法和支持向量机的微电网负荷预测

刘源

（大庆油田电力集团油田热电厂，黑龙江省大庆市 163314）

为满足微电网建设和分布式能源的发展，微电网的负荷预测是电网规划和建设研究中的一个难点问题。由于微电网负荷不确定性和波动性强等特性，常规的负荷预测方法不能直接用于微电网负荷预测中，根据微电网的特点，考虑微电网负荷受到天气因数和星期类型等影响，提出一种基于鱼群算法和支持向量机算法结合的微电网负荷预测模型。方法中将鱼群算法应用于支持向量机的参数寻优中。仿真实验表明，与传统的支持向量机微网负荷预测结果对比，其对微网负荷的预测结果具有更高的精度，满足实际要求。

负荷预测；微电网；支持向量机；鱼群算法

0 引言

微网短期负荷预测是微网优化运行和节能减排的基础，预测精度直接影响微电网系统发供电计划的编制、供电质量和电力市场交易等[1～2]。无论是对主电网的预测还是对微电网的预测，无论是应用传统的预测理论还是应用现代的预测理论，其原理都是通过分析预测对象历史负荷的变化规律，依据外界影响因数和时间的延伸性，预测下一时间段的负荷。从数学理论上讲，建立负荷预测模型的过程就是建立数学函数，通过数学函数找出预测对象的变化规律，然后根据变化规律以及影响因数，对微电网负荷进行预测[3]。

传统的电力系统进行短期负荷预测的方法主要是自滑动平均法和趋势外推法等[4]。目前的预测方法主要以智能技术为依托，以神经网络、小波分析和支持向量机为主。相比于传统的电力系统负荷，微网的负荷更加不稳定，且随机性和突变性比较强。当微电网电力系统处于复杂的外界因素中时，应用传统单一的负荷预测方法不能满足微电网短期负荷预测的要求，预测精度超出可接受范围。而利用鱼群算法优化支持向量机的组合预测方法对微网负荷预测不仅能消除单一预测方法的不足，而且能够提高预测精度[5～7]。

1 支持向量机模型

支持向量机（SVM）由Vapnik首先提出，是基于统计学VC维理论和结构风险最小化原理的机器学习方法，像很多层感知器网络和径向基函数网络一样，支持向量机可以用于模式分类和非线性回归。其应用于回归拟合的主要思想是寻找到一个最优分类平面，使得所有训练样本离该最优分类平面的误差最小[8～10]。其数学模型如下：

设训练集样本为：

高维空间中线性回归函数为：

所有训练数据在小于误差ε的不敏感损失函数为：

C为惩罚因子，C越大对样本惩罚越大，其对偶形式为：

则回归函数为：

将非线性回归问题映射到高维空间中，选取径向基函数为核函数：

将核函数代入上式的内积（xi·x）中，则式（11）为：

2 鱼群算法

人工鱼群算法是李晓磊等人提出的基于动物群体行为的仿生优化算法。算法中模仿鱼群对食物的觅食行为、追尾行为、聚群行为和随机行为等在鱼群视野范围内进行寻优，是群体智能思想的一个应用[11～13]。

其行为活动如下：

1）觅食行为。

设人工鱼当前位置为Xi，在其视野范围内选择一个位置为Xj，在求极大值问题中，如果Yi＜Yj，表示该地点食物量较多，则向该方向游动；反之，重新随机选择一个位置Xj，再次确认是否能向前游动。如此反复尝试后，如果不能满足游动条件，则随机游动到下一个位置。

2）聚群行为。

设人工鱼当前位置为Xi，搜所视野内同伴的数目n及视野内同伴的中心位置Xm，如果Ym/n＞δYi，δ为拥挤系数，说明伙伴中心的食物量较大，则向伙伴的中心位置游动一步；否则选择觅食行为。

3）追尾行为。

设人工鱼当前位置为Xi，搜寻视野内的鱼群数目n及视野中食物量为最大的同伴Xj，如果Yj/n＞δYi，说明同伴Xj的位置食物量较高，则向同伴Xj的位置游动一步；否则选择觅食行为。

4）随机行为。

随机行为是觅食行为的一个补充行为，就是在视野范围内随机选择下一个人工鱼的位置，即Xi的下一个位置Xnext为：

visual为人工鱼的感知距离，r是-1到1区间的一个随机数。

人工鱼群算法流程如图1所示：

3 鱼群算法优化支持向量机

图1 人工鱼群算法流程图Fig.1 Flow chart of artificial fish swarm algorithm

支持向量机参数的大小决定着预测精度和分类准确率的高低，所以，选取最优的支持向量机参数是一个关键的问题。相对于核函数为径向基函数的支持向量机来说，参数选取包括惩罚系数C和核函数参数G，而核函数参数G的作用是对低维空间映射到高位空间的样本数据分布的复杂度的度量，惩罚系数C的作用是控制模型的间隔最大化，调节特征空间中经验风险的比例和学习机器的置信范围。通过选取最佳的惩罚系数和核函数参数可以使模型的学习能力和泛华能力达到最好的要求，所以，模型的性能取决于这两个参数的选择。

人工鱼群算法具有对初始值与参数选择不敏感、鲁棒性强，且拥有克服局部极值，取得全局极值，对搜索空间有一定的自适应能力，所以对SVM中的参数C和G进行寻优，寻找最佳的C和G使得SVM输出最佳的结果。

利用鱼群算法优化SVM参数的算法流程如图2所示：

图2 鱼群算法优化SVMFig.2 Fish swarm optimization algorithm SVM

人工鱼群算法的鱼群数量为N=50，鱼群视野范围Visual=2，最大尝试次数Number=50，最大遗传代数为50代，人工鱼移动步长为0.732，拥挤度因子为0.65。

支持向量机的模型采用台湾大学林智仁教授开发的libsvm工具箱建立回归模型，选取径向基函数为核函数，惩罚参数C的取值范围0.1到100，核函数参数G的取值范围0.001到10。

鱼群算法参数寻优过程如图3所示：

从图3可以看出支持向量机训练模型输出的目标函数在13代时趋于稳定，达到最优解。输出最佳惩罚参数C为4.36，最佳核函数G为0.029。

4 算例分析

为验证鱼群算法优化支持向量机对微电网负荷预测的精度，将改进算法与标准支持向量机算法和BP神经网络算法的预测结果进行对比，在数据上选取我国南

图3 鱼群算法参数寻优Fig.3 Parameter optimization of fish school algorithm

方岛屿微电网示范工程用户侧10天240h的用电量以及历史天气和温度等数据作为训练集，并把下一天的24h负荷数据作为测试集。在此数据的基础上应用鱼群算法优化支持向量机的模型对下一天的24h微网负荷进行预测，并将预测值与实际值的数据进行对比，采用均方误差和平方相关系数评价分析模型的精确度。

其公式为：

其仿真结果的均方误差和平方相关系数见表1。

表1 三种算法结果比较Tab.1 Comparison of three algorithms

从表1可以看出，基于鱼群算法优化支持向量机的模型预测结果，无论是均方误差还是平方相关系数都优于传统的支持向量机和BP神经网络预测的结果，可以认为改进的支持向量机的性能从整体上要优于传统的支持向量机和BP神经网络。其对应的相对平均误差如图4所示。图5为微网负荷预测曲线。

从图5中可知SVM和鱼群—SVM的预测的稳定度要高，而且经过鱼群算法优化后的SVM预测精度有明显提高，其平方相关系数为97.33%，比传统SVM和BP神经网络分别提高了3.17%和5.3%，更加适合微电网的波动性、随机性的特点，满足微电网短期负荷预测的要求。

图4 相对平均误差Fig.4 Relative mean error

图5 微网负荷预测曲线Fig.5 Micro grid load forecasting curve

5 结束语

本文对传统的支持向量机模型进行改进，实现了鱼群算法优化支持向量机的方法用于微网进行负荷预测。克服模型参数选着随意性对支持向量机性能的不利影响。通过算例分析表明，鱼群算法优化支持向量机模型能较好地预测微电网负荷变化的情况，不仅能够处理微网负荷存在的高度非线性，而且具有较好的自适应能力和泛华能力，有效提高了微电网短期负荷预测的精度，具有一定实用价值。

[1] 鲁宗相，王彩霞，闵永，等.微电网研究综述[J].电力系统自动化，2007，（19）：100-107.LU Zongxiang， WANG Caixia， YAN Yong， et.al. Summary of Micro Grid Research[J]. Automation of Electric Power Systems，2007， （19）：100-107.

[2] 康重庆.电力负荷预测技术及其应用[M].北京：中国电力出版社，2004：25-51.KANG Chongqing. Power System Load Forecasting Technology and its Application[M]. Beijing ： China Electric Power Press，2004：25-51.

[3] 尹昊，新能源微电网短期负荷预测[D].湖南大学，2012.YIN Hao. Short Term Load Forecasting of New Energy Micro Grid[D].Hunan University，2012.

[4] 陈娟，吉培荣，卢峰.指数平滑法及其在负荷预测中的应用[J].三峡大学学报：自然科学版，2010，32（3）：37-41.CHEN Juan， JI Peirong， LU Feng. Exponential Smoothing Method and its Application in Load Forecasting[J]. Journal of China Three Gorges University（Natural Sciences）， 2010， 32（3）：37-41.

[5] 王友春，文闪闪.基于ARIMA_SVM模型的微电网短期负荷组合预测研究[J].陕西电力，2014，42（3）：19-23.WANG Youchun，WEN Shanshan.Study on Short Term Load Forecasting of Microgrid Based on ARIMA_SVM model[J].Shaanxi Electric Power， 2014， 42（3）：19-23.

[6] 张玲玲，杨明玉，梁武.基于相似日和LS-SVM的微网短期负荷预测[J].电力建设：微电网技术，2014，35（11）：32-37.ZHANG Lingling，YANG Mingyu， LIANG Wu. Short Term Load Forecasting Based on Similar Days and LS-SVM[J]. Power Construction ： Micro Grid Technology， 2014， 35（11）：32-37.

[7] 徐晟，蒋铁铮，向磊.ELM算法在微电网超短期负荷预测的应用[J].电气开关，2013，5（3）：70-76.XU Sheng， JIANG Tiezheng， XIANG Lei. Application of ELM Algorithm in the Ultra Short Term Load Forecasting of Microgrid[J]. Electric Switch， 2013，5（3）：70-76.

[8] 秦跃进，陶芬.基于改进负荷密度法的微网负荷预测[J].中国水利水电，2013.4（7）：149-152.QIN Yuejin， TAO Fen， et.al. Load Forecasting Based on Improved Load Density Method[J]. Journal of China Institute of Water Resources and Hydropower Research， 2013， 4（7）：149-152.

[9] 田海雷，李洪儒，许葆华，等.基于改进人工鱼群算法的支持向量机预测[J].计算机工程，2013，39（4）：208-212.TIAN Hailei，LI Hongru，XU Baohua， et.al. Support Vector Machine Prediction Based on Improved Artificial Fish Swarm Algorithm[J]. Computer Engineering， 2013， 39（4）： 208-212.

[10] 汤庆峰，刘念，张建华，等.基于EMD-KELM-EKF与参数优选的用户侧微电网短期负荷预测方法[J].电网技术，2014，38（10）：2691-2699.TANG Qingfeng， LIU Nian， ZHANG Jianhua， et.al. Short Term Load Forecasting Method Based on EMD-KELM-EKF and Parameter Optimization of User Side Micro Grid[J]. Power Grid Technology， 2014， 38（10）： 2691-2699.

[11] 杨再鹤，向铁元，郑丹.基于小波变换和SVM算法的微电网电气负荷预测研究[J].现代电力，2014，3174-79.YANG Zaihe， XIANG Tieyuan， ZHENG Dan. Research on Electric Load Forecasting Based on Wavelet Transform and SVM Algorithm[J]. Modern Electric Power， 2014， 31（3）： 74-79.

[12] 李晓磊.一种新型的智能优化方法——人工鱼群算法[D].浙江大学，2003.LI Xiaolei. A New Intelligent Optimization Method-artificial Fish Swarm Algorithm[D]. Zhejiang University， 2003.

[13] 王联国，洪毅，赵付青，等.一种简化的人工鱼群算法[J].小型微型计算机系统，2009，30（8）：1663-1667.WANG Lianguo， HONG Yi， ZHAO Fuqing， et.al. A Simplified Artificial Fish Swarm Algorithm[J].Small and Micro Computer System，2009，30（8）： 1663-1667.

The Load Forecasting of the Micro-grid Based on the Fish Swarm Algorithm and Support Vector Machine

LIU Yuan
(Thermal power plant of Daqing Oilfield Power Group, Daqing 163314, China)

In order to meet the development of the Micro-grid and distributed energy， the load forecasting of the Micro-grid is a difficult problem in the research of power system planning and construction. Due to the uncertainty and strong uncertainty of the load of the Micro-grid， Loads of the conventional prediction methods cannot be directly used for micro grid load forecasting，according to the characteristics of micro grid， According to the characteristics of micro grid， Considering the influence of the weather factor and the type of the week about the Micro-grid， A model based on fish swarm algorithm and support vector machine algorithm of the Micro-grid load forecasting is proposed.The fish swarm algorithm is applied to the parameter optimization of support vector machine. The simulation results show that compared with the traditional support vector machine， the result of the load forecasting of the support vector machine has higher precision and meets the actual requirements.

the load forecasting； the Micro-Grid；the fish swarm algorithm；the support vector machine

TV736

A

570.15

10.3969/j.issn.2096-093X.2017.01.021

2016-04-18

2016-04-23

刘源（1982—），男，本科，工程师，专工。专业特长：电气检修；研究方向：电网自动化。E-mail：liuyuan003@cnpc.com.cn