基于支持向量机的短期电力负荷预测

合集下载

基于WNR-CLSSA-LSTM的短期电力负荷预测

第１３卷㊀第７期Ｖｏｌ．１３Ｎｏ．７㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年７月㊀Ｊｕｌ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０７－００７６－１０中图分类号：ＴＰ１８３；ＴＭ７４３文献标志码：Ｂ基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测纪严杰，樊重俊（上海理工大学管理学院，上海２０００９３）摘㊀要：准确的短期电力负荷预测（ＳＴＰＬＦ）在智能电网的日常运行中起着重要作用㊂为了更有效地预测短期负荷，本文提出了一种基于小波去噪㊁改进樽海鞘群优化算法（ＳＳＡ）和长短期记忆网络（ＬＳＴＭ）的预测方法㊂首先，通过小波去噪降噪；其次，种群的初始位置采用混沌初始化Ｃｕｂｉｃ策略，并将莱维飞行策略引入樽海鞘群领导者和跟随者的位置更新中，接着将跟随者的更新公式引入每个维度的最优适应度位置维度，加快收敛速度；然后，利用改进的ＳＳＡ算法优化ＬＳＴＭ模型的参数，得到ＳＴＰＬＦ结果㊂通过实验比较改进的ＣＬＳＳＡ－ＬＳＴＭ与ＧＡ－ＬＳＴＭ㊁ＰＳＯ－ＬＳＴＭ㊁ＳＳＡ－ＬＳＴＭ和单一的ＬＳＴＭ，结果表明，改进的ＣＬＳＳＡ－ＬＳＴＭ预测效果优于其他算法优化的ＬＳＴＭ㊂同时，将ＣＬＳＳＡ－ＬＳＴＭ模型与不同的预测模型ＰＳＯ－ＳＶＲ㊁ＧＡ－ＢＰ对比，均有不错的表现㊂因此本文提出的预测模型是一种有效的ＳＴＰＬＦ工具㊂关键词：小波降噪；混沌映射；莱维飞行策略；樽海鞘群优化算法；长短期记忆网络；电力负荷Ｓｈｏｒｔ－ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭＪＩＹａｎｊｉｅ，ＦＡＮＣｈｏｎｇｊｕｎ（ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｃｃｕｒａｔｅｓｈｏｒｔ－ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎ（ＳＴＰＬＦ）ｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｄａｉｌｙｏｐｅｒａｔｉｏｎｏｆｓｍａｒｔｇｒｉｄｓ．Ｉｎｏｒｄｅｒｔｏｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙｐｒｅｄｉｃｔｓｈｏｒｔ－ｔｅｒｍｌｏａｄ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｈｙｂｒｉｄｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｗａｖｅｌｅｔｎｏｉｓｅｒｅｄｕｃｔｉｏｎ，ｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍ（ＳＳＡ）ａｎｄｌｏｎｇ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ（ＬＳＴＭ）．Ｆｉｒｓｔｏｆａｌｌ，ｔｈｅｏｒｉｇｉｎａｌｄａｔａｒｅｍｏｖｅｓｓｏｍｅｎｏｉｓｅｔｈｒｏｕｇｈｔｈｅｍｅｔｈｏｄｏｆｗａｖｅｌｅｔｎｏｉｓｅｒｅｄｕｃｔｉｏｎ；ｓｅｃｏｎｄｌｙ，ｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎｏｆｔｈｅｐｏｐｕｌａｔｉｏｎｉｓｕｓｅｄｔｏｉｎｉｔｉａｌｉｚｅｔｈｅｃｈａｏｓＣｕｂｉｃｓｔｒａｔｅｇｙ，ａｔｔｈｅｓａｍｅｔｉｍｅａｄｄｔｈｅＬｅｖｙｆｌｉｇｈｔｓｔｒａｔｅｇｙｔｏｐｏｓｉｔｉｏｎｕｐｄａｔｅｏｆｔｈｅｌｅａｄｅｒａｎｄｔｈｅｆｏｌｌｏｗｅｒ，ａｎｄｔｈｅｆｏｌｌｏｗｅｒ＇ｓｕｐｄａｔｅｆｏｒｍｕｌａｉｓｉｎｔｒｏｄｕｃｅｄｔｏｔｈｅｏｐｔｉｍａｌａｄａｐｔａｂｉｌｉｔｙｐｏｓｉｔｉｏｎｄｉｍｅｎｓｉｏｎｏｆｅａｃｈｄｉｍｅｎｓｉｏｎ，ｓｏｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｉｓａｃｃｅｌｅｒａｔｅｄｔｏｃｏｎｖｅｒｇｅｎｃｅ；ｔｈｅｎｔｈｅｉｍｐｒｏｖｅｄＳＳＡａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｓｔｈｅｐａｒａｍｅｔｅｒｓｏｆｔｈｅＬＳＴＭｍｏｄｅｌ．ＴｈｅｏｐｔｉｍｉｚｅｄＬＳＴＭｉｓａｐｐｌｉｅｄｔｏｓｈｏｒｔ－ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎｓｔｏｏｂｔａｉｎｔｈｅｒｅａｌＳＴＰＬＦｒｅｓｕｌｔｓ．Ｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｃｏｍｐａｒｉｓｏｎ，ｔｈｅｉｍｐｒｏｖｅｄＣＬＳＳＡ－ＬＳＴＭｉｓｃｏｍｐａｒｅｄｗｉｔｈｔｈｅＧＡ－ＬＳＴＭ，ＰＳＯ－ＬＳＴＭ，ＳＳＡ－ＬＳＴＭａｎｄａｓｉｎｇｌｅＬＳＴＭ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄＣＬＳＳＡ－ＬＳＴＭｐｒｅｄｉｃｔｉｖｅｅｆｆｅｃｔｉｓｓｕｐｅｒｉｏｒｔｏｏｔｈｅｒｏｐｔｉｍｉｚｅｄＬＳＴＭｓ．Ｍｅａｎｗｈｉｌｅ，ｃｏｍｐａｒｅｄｗｉｔｈｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｅｄｍｏｄｅｌｓＰＳＯ－ＳＶＲａｎｄＧＡ－ＢＰ，ＣＬＳＳＡ－ＬＳＴＭｍｏｄｅｌｈａｓａｇｏｏｄｐｅｒｆｏｒｍａｎｃｅ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｈｙｂｒｉｄｄｅｐｔｈｌｅａｒｎｉｎｇｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｉｓａｒｔｉｃｌｅｉｓａｎｅｆｆｅｃｔｉｖｅＳＴＰＬＦｔｏｏｌ．ʌＫｅｙｗｏｒｄｓɔｗａｖｅｌｅｔｎｏｉｓｅｒｅｄｕｃｔｉｏｎ；ｃｈａｏｓｍａｐｐｉｎｇ；Ｌｅｖｙｆｌｉｇｈｔｓｔｒａｔｅｇｙ；ｓａｌｐｓｗａｒｍａｌｇｏｒｉｔｈｍ；ＬＳＴＭ；ｐｏｗｅｒｌｏａｄ基金项目：２０２０教育部哲学社会科学重大课题攻关项目，２０２０－２０２３（２０ＪＺＤ０１０）㊂作者简介：纪严杰（１９９６－），男，硕士研究生，主要研究方向：人工智能理论及应用；樊重俊（１９６３－），男，博士，教授，主要研究方向：人工智能㊁电子商务㊂通讯作者：樊重俊㊀㊀Ｅｍａｉｌ：ｆａｎｃｈｏｎｇｊｕｎ２０２２＠１６３．ｃｏｍ收稿日期：２０２２－１２－２１０㊀引㊀言从供给侧角度来看，能够提前知道未来一段时间内的电力供给情况，能够帮助企业制定更合理的生产计划，减少不必要的损失㊂目前，短期电力负荷预测模型大体上可以分为３类㊂其中，统计分析模型，如多元回归和自回归移动平均模型（ＡＲＩＭＡ）等㊂Ａｍｂｅｒ等学者［１］利用多元回归（ＭＲ）模型预测了伦敦某大学的日用电量㊂李晨熙［２］采用基于ＡＲＩＭＡ模型对短期电力负荷数据进行预测，但是ＡＲＩＭＡ模型一般只能处理线性关系，对于非线性关系来说则运行效果欠佳㊂Ａｍａｒａｌ等学者［３］使用平稳过渡周期自回归（ＳＴＰＡＲ）模型来对短期负荷进行预测，其本质上涉及到与非周期自回归模型相同的过程㊂Ｍｂａｍａｌｕ等学者（１９９３）［４］提出了在负荷预测中考虑季节性因素的乘法自回归模型㊂Copyright ©博看网. All Rights Reserved.浅机器学习，如灰色预测方法㊁支持向量机回归（ＳＶＲ）㊁随机森林㊁集成学习等㊂Ｚｈｏｕ等学者［５］将传统灰色ＧＭ（１，１）模型与三角残差修正技术相结合，提出了一种电力需求预测的三角灰色预测方法㊂该方法提高了ＧＭ（１，１）的预测精度，获得了合理的灰色预测区间㊂王鑫［６］将支持向量机多个核函数进行加权处理，得到一个新的核函数，使其能够具有不同核函数的特性，并将其用于短期电力负荷预测中㊂游文霞等学者［７］提出了基于ＡｄａＢｏｏｓｔ的集成学习算法，该模型考虑了时间㊁温度和历史负荷等特征并选择ＣＡＲＴ决策树作为模型的基学习器；然后，通过ＡｄａＢｏｏｓｔ算法训练各ＣＡＲＴ决策树基学习器并计算各个基学习器的权重㊂深度学习模型，如反向传播神经网络（ＢＰＮＮ）㊁递归神经网络（ＲＮＮ）㊁长短期记忆（ＬＳＴＭ）网络等㊂易丹等学者［８］基于ＢＰ神经网络搭建了一个３层的神经网络模型，来进行电力负荷的预测，由于ＢＰ算法中的初始权值和阈值等是手动输入的，选取不当可能会导致预测精度差和出现不收敛的情况㊂进一步地，Ｌｉ等学者［９］采用果蝇优化算法优化ＢＰ神经网络的权值和阈值进行预测，来提高预测的精度㊂Ｚｈｅｎｇ等学者［１０］提出了一种基于测量的递归神经网络（ＲＮＮ）方法来构建主动配电系统的精确当量，然而ＲＮＮ在处理长时间序列时候，难免会出现梯度爆炸并消失㊂ＬＳＴＭ可以通过门控单元来避免梯度爆炸，Ｍｕｚａｆｆａｒ等学者［１１］将ＬＳＴＭ用于短期电力负荷预测，但ＬＳＴＭ中隐藏层神经元个数㊁学习率等需要通过手动输入，这在一定程度上会影响网络的预测精度㊂基于此，本文提出了一种改进的樽海鞘群算法优化ＬＳＴＭ参数，使其能够更好地进行电力负荷预测㊂１㊀理论模型１．１㊀小波降噪小波分析能够分析信号在频域上的差异，这是傅里叶变换迄今为止仍无法解决的问题，但是小波分析对于非平稳信号不是很有效㊂小波分析的重要应用之一就是信号降噪［１２］，其中的小波变换可以利用时域和频域的信号与噪声差异来区分信息和噪声㊂小波变换既保留了Ｇａｂｏｒ变换的局部化思想，又具有窗口形状可滑动的特点㊂因此，小波分析可以更好地处理时变非平稳信号㊂小波降噪（ＷａｖｅｌｅｔＤｏｍａｉｎＤｅｎｏｉｓｉｎｇ）流程具体如下：（１）信号的小波分解㊂选择合适的正交小波基并确定分解层数，随后进行小波变换㊂（２）阈值选择㊂对分解后所得到的高频小波系数进行阈值处理，同时选择合适的阈值，选择满足信号规律的小波系数，同时删除不符合要求的小波系数㊂（３）小波重建㊂根据小波分解后的最后一层的低频系数和经过阈值处理后的每一层高频系数来对信号进行小波重构㊂（４）评价效果㊂一般选择信噪比（ＳＮＲ）和均方根误差（ＲＭＳＥ），尽量选择ＳＮＲ大㊁且ＲＭＳＥ小的小波变换函数㊂１．２㊀樽海鞘群优化算法樽海鞘群算法（ＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍ，ＳＳＡ）是Ｍｉｒｊａｌｉｌｉ等学者［１３］于２０１７年受海洋中微生物樽海鞘聚集成链的生活习性而提出的算法㊂算法将群体分为领导者和跟随者，领导者以全局最优为中心进行搜索，为算法提供了全局搜索能力，保证种群收敛，跟随者跟随自己的前一个个体，为算法提供局部搜索能力，来保证算法的精度㊂樽海鞘算法的模型简单，更新过程清晰，同时寻优也有不错的效果，但是算法后期欠缺跳出局部最优的情况㊂在该算法中，每个樽海鞘个体的位置表示成一个ｄ维的向量，则Ｎ个樽海鞘就形成了樽海鞘链㊂这个链就是一个种群，因此该樽海鞘种群就可以用Ｎˑｄ的矩阵进行描述：Ｘ＝ｘ１１ｘ１２ｘ１ｄｘ２１ｘ２２ｘ２ｄｘＮ１ｘＮ２ｘＮｄéëêêêêêêùûúúúúúú（１）㊀㊀第ｉ个樽海鞘个体的位置表示如下：Ｘｉ＝ｘｉ１ｘｉ２ｘｉｄ[]（２）㊀㊀在ＳＳＡ中，种群在捕食或者向食物源移动时，领导者的位置更新策略如下：ｘ１ｊ＝Ｆｊ＋ｃ１［（ｕｊ－ｌｊ）ｃ２＋ｌｊ］ｃ３ȡ０．５Ｆｊ－ｃ１［（ｕｊ－ｌｊ）ｃ２＋ｌｊ］ｃ３＜０．５ìîíïïïï（３）㊀㊀其中，ｘ１ｊ为第１个樽海鞘群领导者在第ｊ维空间中位置；Ｆｊ为食物源在第ｊ维空间的位置；ｕｊ和ｌｊ分别为第ｊ维空间的上界和下界；参数ｃ２和ｃ３都为区间［０，１］范围内的随机数，参数ｃ２决定的是领导者移动的长度，参数ｃ３决定的是领导者移动的方向；参数ｃ１是一个重要参数，主要控制着整个樽海鞘群体的探索和开发能力㊂该参数受当前樽海鞘种７７第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright©博看网. All Rights Reserved.群的迭代次数的影响，其表达式如下：ｃ１＝２ｅ－（４ｔＴｍａｘ）２（４）㊀㊀其中，ｔ为当前樽海鞘种群的迭代次数；Ｔｍａｘ为樽海鞘种群的最大迭代次数㊂追随者的位置更新公式如下：ｘｉｊ（ｔ）＝１２［ｘｉｊ（ｔ－１）＋ｘｉ－１ｊ（ｔ－１）］（５）㊀㊀其中，ｘｉｊ（ｔ）为经过第ｔ次迭代时，第ｉ个樽海鞘追随者在第ｊ维空间的位置㊂算法流程如下：（１）初始化种群㊂根据上界与下界，利用式（１）初始化一个Ｎˑｄ的樽海鞘种群㊂（２）计算初始适应度㊂计算Ｎ个樽海鞘的适应度值㊂（３）选定食物㊂将樽海鞘群根据适应度值的大小排序，放在首位的位置设定为当前食物源的位置㊂（４）选定领导者与追随者㊂选定食物位置后，群体中剩余Ｎ－１个樽海鞘，将排在前一半的樽海鞘视为领导者，后一半为追随者㊂（５）位置更新㊂根据领导者及跟随者的位置公式更新位置㊂（６）计算适应度㊂计算更新后的群体的适应度㊂将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较，以重新决定食物源的位置㊂（７）重复步骤（４）（６），直至达到一定迭代次数或适应度值达到要求后，输出当前的食物位置作为目标的估计位置㊂１．３　改进的樽海鞘群优化算法１．３．１㊀混沌初始化种群伪随机数生成器是目前大部分群体智能算法生成初始种群的方法，能够覆盖到搜索空间中有希望的区域㊂混沌数生成器是基于混沌技术的随机数生成器，混沌映射［１４］可以用于替代伪随机数生成器，生成［０，１］之间的混沌数㊂利用混沌序列进行种群初始化会影响算法的整个过程，初始种群的全局覆盖能力更强，搜索能力更好，并且能够取得比伪随机数初始化更好的效果㊂本文采用最常见的混沌映射方法，Ｃｕｂｉｃ混沌映射来初始化种群，其数学表达式如下：ｚｋ＋１＝ρｚｋ（１－ｚｋ２）（６）㊀㊀其中，ρ为控制参数，且当ρ＝２．５９５时生成的混沌变量具有更好的遍历性㊂１．３．２㊀Ｌｅｖｙ飞行策略Ｌｅｖｙ飞行［１５］使用的是高频短距离的局部搜索结合低频长距的全局搜索的非高斯随机过程，因此能够增强局部搜索的能力，而低频长距的跳跃式搜索则有利于扩大种群的搜索范围，使算法很容易跳出局部最优的状况㊂Ｌｅｖｙ飞行策略的公式如下：Ｌｅｖｙ（ｓ）＝μ㊃σ㊃ωω１β（７）㊀㊀其中，μ＝０．０１；ω为０到１之间的随机数（ｒａｎｄ）；σ的计算公式如下：σ＝Γ（１＋β）㊃ｓｉｎ（πβ２）Γ（１＋β２）㊃β㊃２１－β２（８）㊀㊀其中，Γ（ｘ）＝（ｘ－１）！，β取１．５㊂１．３．３㊀引入Ｌｅｖｙ飞行策略的樽海鞘群优化算法ＬＳＳＡ将Ｌｅｖｙ飞行策略加入到樽海鞘群优化算法的领导者及跟随者的位置更新策略中，改进后的领导者位置更新公式为：ｘ１ｊ＝Ｆｊ＋ｃ１［（ｕｊ－ｌｊ）Ｌｅｖｙ（ｓ）＋ｌｊ］ｃ３ȡ０．５Ｆｊ－ｃ１［（ｕｊ－ｌｊ）Ｌｅｖｙ（ｓ）＋ｌｊ］ｃ３ɤ０．５ìîíïïïï（９）㊀㊀跟随者的位置更新公式为：ｘｉｊ（ｔ）＝Ｌｅｖｙ（ｓ）２［ｘｉｊ（ｔ－１）＋ｘｉｆ（ｂｅｓｔｊ）（ｔ－１）］（１０）㊀㊀其中，ｘｉｆ（ｂｅｓｔｊ）（ｔ－１）表示第ｔ－１次位置更新过程中的适应度值最好的位置维度ｊ㊂这样能够让追随者更快地向最优食物源的位置靠近，不会只依赖前一个位置进行更新，从而使算法更快地收敛㊂同时，也弥补了原来算法中容易陷入局部最优的不足，避免了这一情况的出现㊂１．３．４㊀ＣＬＳＳＡ算法性能测试为了测试改进后的樽海鞘群优化算法（ＣＬＳＳＡ）㊁本文对比分析了樽海鞘群算法（ＳＳＡ）㊁粒子群算法（ＰＳＯ）㊁萤火虫算法（ＦＡ）㊁ＣＬＳＳＡ的局部与全局搜索能力以及算法的迭代速度，分别选取了３个单峰函数及３个多峰函数㊂算法的种群规模为５０，迭代次数为２００，维度为２０，分别独立运行３０次记录并以适应度值最优为选取标准（无限接近理论值）㊂测试基准函数见表１，不同算法在基准函数中测试结果对比如图１所示㊂８７智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.表１㊀基准函数Ｔａｂ．１㊀Ｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ函数搜索空间理论值ｆ１（ｘ）＝ð２０ｉ＝１ｘｉ２－１００ɤｘｉɤ１０００ｆ２（ｘ）＝ｍａｘ｛ｘｉ，１ɤｘｉɤ２０｝－１００ɤｘｉɤ１０００ｆ３（ｘ）＝ð２０ｉ＝１（ｘｉ＋０．５２）－１００ɤｘｉɤ１０００ｆ４（ｘ）＝４ｘ１２－２．１ｘ１４＋１３ｘ１６＋ｘ１ｘ２－４ｘ２２＋４ｘ２４－５ɤｘｉɤ５－１．０３１６８５ｆ５（ｘ）＝（ｘ２－５．１４π２ｘ１２＋５πｘ１－６）２＋１０（１－１８π）ｃｏｓｘ１＋１０－５ɤｘ１ɤ５，０ɤｘ２ɤ１５０．３９８ｆ６（ｘ）＝［１＋（ｘ１＋ｘ２＋１）２（１９－１４ｘ１＋３ｘ１２－１４ｘ２＋６ｘ１ｘ２＋３ｘ２２）］ˑ［３０＋㊀㊀㊀㊀（２ｘ１－３ｘ２）２ˑ（１８－３２ｘ１＋１２ｘ１２＋４８ｘ２－３６ｘ１ｘ２＋２７ｘ２２）］－２ɤｘｉɤ２３0.80.70.60.50.40.30.20.1204060801001201401601800xf i t n e s s P S OF A S S A C L S S A4.03.53.02.52.01.51.00.5204060801001201401601800xf i t n e s s P S O F A S S A C L S S A4.03.53.02.52.01.51.00.5204060801000xf i t n e s sP S OF A S S A C L S S A0.40.20-0.2-0.4-0.6-0.8-1.0204060801001201401601800xf i t n e s s P S OF A S S A C L S S A1.21.00.80.60.420406080100120140160180xf i t n e s sP S OF A S S A C L S S A1008060402020406080100120140160180xf i t n e s sP S OF A S S A C L S S A（a ）f 1（b ）f 2（c ）f 3（e ）f 5（f ）f 6（d ）f 4图１㊀不同算法在基准函数中测试结果对比Ｆｉｇ．１㊀Ｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｔｅｓｔｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｉｎｔｈｅｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎ９７第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright ©博看网. All Rights Reserved.㊀㊀图１中，（ａ）（ｆ）分别对应了６个基准函数，从图１（ａ）图１（ｃ）可知，在单峰函数ｆ１（ｘ）和ｆ２（ｘ）中，ＣＬＳＳＡ虽然没有部分算法收敛速度快，但是寻优的精度却比其他算法更好，更能接近适应度函数的理论值㊂其中，无论是迭代速度㊁还是寻优精度，ＣＬＳＳＡ相较于其他算法表现都是很好的，能够很快地跳出局部最优的情况㊂从图１（ｄ）图１（ｆ）中可知，在多峰函数中，ＣＬＳＳＡ在保证搜索精度的情况下，适应度值都小于其他算法，收敛速度都有很不错的表现㊂综上所述，ＣＬＳＳＡ相对于其他算法来说，ＣＬＳＳＡ不仅能够更好地跳出局部最优解的情况，同时全局搜索的能力也不错，适应度值最小，表明了ＣＬＳＳＡ的稳定性和鲁棒性要明显优于其他算法㊂１．３．５㊀ＬＳＴＭ模型ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ）是具有长短期记忆的神经网络㊂ＬＳＴＭ的提出旨在解决ＲＮＮ在训练过程中存在的长期依赖问题，避免出现梯度消失和梯度爆炸㊂这是因为ＬＳＴＭ引入了门控机制来控制特征的流通和损失㊂ＬＳＴＭ的细胞单元结构如图２所示㊂㊀㊀由图２可看到，ＬＳＴＭ细胞单元结构中各参数的求解方法依次见下式：ｆｔ＝σ（Ｗｆ㊃［ｈｔ－１，ｘｔ］＋ｂｆ）（１１）ｉｔ＝σ（Ｗｉ㊃［ｈｔ－１，ｘｔ］＋ｂｉ）（１２）ｃｔ＝ｔａｎｈ（Ｗｃ㊃［ｈｔ－１，ｘｔ］＋ｂｃ）（１３）ｃｔ＝ｆｔ㊃ｃｔ－１＋ｉｔ㊃ｃｔ（１４）ｏｔ＝σ（Ｗｏ㊃［ｈｔ－１，ｘｔ］＋ｂｏ）（１５）ｈｔ＝ｏｔ㊃ｔａｎｈ（ｃｔ）（１６）㊀㊀其中，σ为激活函数；Ｗ和ｂ为参数矩阵；ｘｔ表示当前ｔ时刻的输入；ｆｔ表示遗忘门，决定了前一时刻的单元状态ｃｔ－１可以有多少信息能够保留到当前时刻；ｉｔ表示输入门，决定了当前时刻网络的输入ｘｔ保存到单元状态ｃｔ；ｃｔ用于描述当前输入的单元状态，来记忆单元的临时状态；ｃｔ表示当前时刻的单元状态；输出门控制单元状态ｃｔ有多少输出到当前的输出值ｈｔ㊂ＬＳＴＭ共有２个输出，分别是当前状态的输出ｏｔ，以及下一时刻的隐层状态ｈｔ㊂t a n hσσσc t-1h t-1c th tf t i t c t o tx tt a n hh t图２㊀ＬＳＴＭ细胞段元结构Ｆｉｇ．２㊀ＬＳＴＭｃｅｌｌｓｅｇｍｅｎｔｅｌｅｍｅｎｔｓｔｒｕｃｔｕｒｅ１．３．６㊀ＷＤＤ－ＣＬＳＳＡ－ＬＳＴＭ预测模型研究给出的模型流程如图３所示㊂获取电力数据集(时间、温度、以往四周负荷数据、假期等)利用小波变换对数据集中的D e m a n d进行降噪处理数据归一化处理确定模型的输入时间步长s t e p，得到新数据集的维度（n-s t e p,s t e p,j）划分训练集和测试集数据预处理及数据集划分电力负荷预测模型C L S S A_L S T M结束输出预测结果，评估模型性能将最优的参数组合和测试集输入到L S T M模型中输出最优参数组合输入多维时间序列训练集初始化参数，包括种群规模，迭代次数，种群维度，维度上界和下界C u b i c混沌初始化策略，生成樽海鞘种群的初始位置计算个体的适应度函数，并确认樽海鞘种群的领导者和跟随者按照领导者和跟踪者的位置公式更新种群的位置是否满足迭代终止条件开始是否C L S S At=t+1t=1图３㊀ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ流程图Ｆｉｇ．３㊀ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭｆｌｏｗｃｈａｒｔ０８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.２㊀数据准备及评价指标２．１㊀数据集描述选取了巴拿马电力数据集来进行电力负荷预测，该数据集由２０１５年１月到２０２０年６月每隔１ｈ采集记录的数据构成㊂数据集的列名描述见表２㊂表２㊀数据集描述Ｔａｂ．２㊀Ｄａｔａｓｅｔｄｅｓｃｒｉｐｔｉｏｎ列名描述单位Ｄａｔｅｔｉｍｅ巴拿马时区ＵＴＣ－０５：００对应的日期时间－－－ｗｅｅｋ＿Ｘ－２负荷滞后于预报前第２周ＭＷｈｗｅｅｋ＿Ｘ－３负荷滞后于预报前第３周ＭＷｈｗｅｅｋ＿Ｘ－４负荷滞后于预报前第４周ＭＷｈＭＡ＿Ｘ－４负荷滞后移动平均，从第１至第４周之前的预测ＭＷｈＤａｙＯｆＷｅｅｋ每周的第１天，从星期六开始［１，７］ｗｅｅｋｅｎｄ周末二元指标１＝ｗｅｅｋｅｎｄ，０＝ｗｅｅｋｄａｙｈｏｌｉｄａｙ假期二元指标１＝ｈｏｌｉｄａｙ，０＝ｒｅｇｕｌａｒＨｏｌｉｄａｙ＿ＩＤ独特的识别号码（表示节日的编号）ｉｎｔｅｇｅｒＨｏｕｒＯｆＤａｙ一天中的每时［０，２３］Ｔ２Ｍ＿ｔｏｃ巴拿马城托克门气温２ｍħＤＥＭＡＮＤ全国电力负荷（目标或因变量）ＭＷｈ㊀㊀选取２０１９年前１１个月的数据作为训练集，预测１２月的用电负荷㊂其中，用电负荷Ｄｅｍａｎｄ为研究所需要预测的目标值，其余的为特征向量㊂２．２㊀小波降噪基于上面介绍的小波降噪的流程，小波基采用ｓｙｍ１０㊁ｃｏｉｆ５和ｄｂ８，层数为３，阈值选用启发式阈值和固定阈值来进行软㊁硬阈值函数的对比㊂对比结果见表３㊂㊀㊀由于启发式阈值硬阈值函数的ＳＮＲ和ＲＭＳＥ最优，本文采取ｃｏｉｆ５小波基㊁启发式阈值及硬阈值函数来对数据进行降噪处理㊂表３㊀不同阈值函数及小波基结果对比Ｔａｂ．３㊀Ｄｉｆｆｅｒｅｎｔｔｈｒｅｓｈｏｌｄｆｕｎｃｔｉｏｎｓａｎｄｗａｖｅｌｅｔｂａｓｅｓｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｓｙｍ１０ＳＮＲＲＭＳＥｃｏｉｆ５ＳＮＲＲＭＳＥｄｂ８ＳＮＲＲＭＳＥ启发硬阈值６３．７８６４０．８１３８２６４．０９３７０．７８５５３６３．９６０９０．７９７６３启发软阈值５３．５２４１２．６５２４０５３．４９１４２．６６２４０５１．５４７５３．３３０２０固定硬阈值３６．４７６７１８．８８０５０３５．２５０６２１．７４２９０３５．５１８５２１．０８２６０固定软阈值３２．０６９７３１．３５９２０３１．８１５８３２．２８９３０３１．７２６９３２．６２１３０２．３㊀归一化处理归一化处理，将所有数据映射到０到１之间，其公式为：ｘｎｏｒｍａｌｉｚａｔｉｏｎ＝ｘ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ（１７）２．４㊀评价指标本文选取３种评价指标，分别阐释如下㊂（１）平均绝对误差㊂值越接近０，得到的模型越准确㊂可由如下公式计算得到：ＭＡＰＥ＝１ｎðｎｉ＝１ｙｉ－ｙ＾ｉ（１８）㊀㊀２）均方根误差（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ，ＲＭＳＥ）㊂数值越低，表示模型越稳定㊂可由如下公式计算得到：ＲＭＳＥ＝１ｎ（ðｎ１（ｙｉ－ｙ＾ｉ）２）（１９）㊀㊀３）Ｒ２㊂用来衡量回归模型的拟合程度㊂可由如下公式计算得到：Ｒ２＝１－ðｎｉ＝１（ｙｉ－ｙ＾ｉ）２ðｎｉ＝１（ｙｉ－ｙ－ｉ）２（２０）１８第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright©博看网. All Rights Reserved.３㊀实验分析将所提出的ＣＬＳＳＡ＿ＬＳＴＭ模型与不同算法优化的ＬＳＴＭ㊁ＳＳＡ＿ＬＳＴＭ㊁ＧＡ＿ＬＳＴＭ［１６］㊁ＰＳＯ＿ＬＳＴＭ［１７］以及单一的ＬＳＴＭ做对比，选取ＲＭＳＥ，ＭＡＰＥ以及Ｒ２评价模型的预测性能㊂其中，ＬＳＴＭ的参数设置如下，隐藏层包括２个ＬＳＴＭ层㊁２个Ｄｅｎｓｅ层，最后则为输出层，神经元数量为１，ｄｒｏｕｐｏｕｔ比率为０．１，ｂａｔｃｈｓｉｚｅ为２５６，时间步长为４８，记录２天的数据，单一ＬＳＴＭ模型的学习率为０．０１㊂利用算法寻优迭代次数㊁ＬＳＴＭ层与Ｄｅｎｓｅ层的神经元数量以及学习率四个参数㊂各参数的寻优范围见表４㊂表４㊀参数寻优范围Ｔａｂ．４㊀Ｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｒａｎｇｅ参数范围迭代次数（ｅｐｏｃｈ）（１０，１５０）ＬＳＴＭ层神经元数量（Ｌ１，Ｌ２）（１０，３００）Ｄｅｎｓｅ层神经元数量（Ｌ２）（１０，３００）学习率（ｌｒ）（０．００１，０．１）㊀㊀算法的种群规模都为２０，迭代次数为５０次，ＰＳＯ的惯性因子ｗ为０．５，学习因子ｃ１＝２，ｃ２＝２，ＧＡ的交叉概率为０．８，变异概率为０．１，优化后的预测模型的评价指标见表５㊂表５㊀不同算法优化ＬＳＴＭ的结果Ｔａｂ．５㊀ＴｈｅｒｅｓｕｌｔｓｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ模型Ｒ２ＭＡＰＥＲＭＳＥＬＳＴＭ０．８６６３５５．２２４３６７．４２７７ＰＳＯ－ＬＳＴＭ０．９４１９３６．２９３１４４．４２５７ＧＡ－ＬＳＴＭ０．９３３４３８．７１８９４７．５８０７ＳＳＡ－ＬＳＴＭ０．９２８８４０．５６７６４９．２２２５ＣＬＳＳＡ－ＬＳＴＭ０．９６７９２４．４０２０３３．０６６７㊀㊀为了更直观显示预测结果的误差，绘制出了各模型评价指标的垂直直方图㊁水平直方图和雷达图，如图４图６所示㊂0.9419P S O -L S T MG A -L S T M 0.9334S S A -L S T M0.92880.9679C L S S A -L S T M拟合度R 方L S T M0.8663图４㊀不同算法优化ＬＳＴＭ的Ｒ２对比Ｆｉｇ．４㊀Ｒ２ｃｏｍｐａｒｉｓｏｎｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓM A P E6050403020100L S T M P S O -L S T M G A -L S T M S S A -L S T M C L S S A -L S T M图５㊀不同算法优化ＬＳＴＭ的ＭＡＰＥ对比Ｆｉｇ．５㊀ＭＡＰＧｃｏｍｐａｒｉｓｏｎｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ80706050403020100L S T MP S O -L S T M G A -L S T M S S A -L S T M C L S S A -L S T MR M S E图６㊀不同算法优化ＬＳＴＭ的ＲＭＳＥ对比Ｆｉｇ．６㊀ＲＭＳＥｃｏｍｐａｒｉｓｏｎｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ㊀㊀从图４图６的结果可知，ＬＳＴＭ的训练拟合度Ｒ２为０．８６６３，ＭＡＰＥ为５５．２２４３，ＲＭＳＥ为６７．４２７７，训练的精度为对比模型中最差的，其次是ＳＳＡ－ＬＳＴＭ㊁ＧＡ－ＬＳＴＭ和ＰＳＯ－ＬＳＴＭ，这３个模型的拟合度在训练时，拟合度Ｒ２的均值都在０．９３左右，模型预测的效果相差不大；ＣＬＳＳＡ－ＬＳＴＭ模型的结果为最优，其拟合度最高并且训练集上的误差最小㊁为３３．０６６７，拟合度值Ｒ２达到了０．９６７９，是对比模型中表现最好的㊂ＣＬＳＳＡ－ＬＳＴＭ模型的预测效果比单一ＬＳＴＭ模型提高了１２．７１％，比其他３个对比模型高出４．０７％左右，这也说明了相比于其他算法，ＣＬＳＳＡ能有效地选择最佳的参数㊂各模型的预测对比如图７所示㊂㊀㊀截取图７中第５５０６５０条数据进行分析，分析结果如图８所示㊂㊀㊀由图８中可以看到，红色线条的ＣＬＳＳＡ－ＬＳＴＭ拟合的曲线与真实值曲线最为接近，特别是在一些端点处，ＣＬＳＳＡ－ＬＳＴＭ模型的拟合值比其他模型更贴近真实值，这样就能为电力负荷预测出最好的结果，同时在某些特定情况下也能满足正常的电力需求，对电力公司运行和管理的供需平衡发挥重要作用㊂接着，分别将ＣＬＳＳＡ－ＬＳＴＭ预测模型和不同的预测模型ＰＳＯ－ＳＶＲ［１８］㊁ＧＡ－ＢＰ［１９］做对比，其中ＳＶＲ的参数采用ｒｂｆ核函数，利用粒子群优化算法ＰＳＯ优化ｇａｍｍａ值以及惩罚项系数Ｃ，ＢＰ采用３２８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright ©博看网. All Rights Reserved.层结构，输入层节点数为１０，输出层为１，中间隐藏层的节点数根据经验公式计算得到５，利用遗传算法ＧＡ优化初始的权值和阈值㊂同样地，截取第５５０６５０条数据进行对比分析，对比结果见表６，不同预测模型在５５０６５０条数据对比如图９所示㊂17001600150014001300120011001000100200300400500600700800h o u r sp o w e r l o a dt r u eL S T M G A _L S T M P S O _L S T M S S A _L S T M C L S S A _L S T M图７㊀不同模型的预测对比图Ｆｉｇ．７㊀Ｐｒｅｄｉｃｔｉｏｎｃｏｍｐａｒｉｓｏｎｃｈａｒｔｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ1600150014001300120011001000560580600620640h o u r sp o w e r l o a dt r u e L S T M G A _L S T M P S O _L S T M S S A _L S T M C L S S A _L S T M图８㊀不同算法优化ＬＳＴＭ预测结果在５５０６５０条数据对比图Ｆｉｇ．８㊀Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｃｈａｒｔｆｒｏｍ５５０ｔｏ６５０ｄａｔａｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ表６㊀不同预测模型的结果对比Ｔａｂ．６㊀Ｃｏｍｐａｒｉｓｏｎｏｆｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ模型Ｒ２ＭＡＰＥＲＭＳＥＰＳＯ－ＳＶＲ０．８８１２５４．４３２３６３．５５７８ＧＡ－ＢＰ０．９２６８４０．９６７６５０．３４３７ＣＬＳＳＡ－ＬＳＴＭ０．９６７９２４．４０２０３３．０６６７㊀㊀从图９中可以看出，ＰＳＯ－ＳＶＲ的拟合效果最差，Ｒ２值为０．８８１２，ＲＭＳＥ为６３．５５７８；其次是ＧＡ－ＢＰ，Ｒ２值为０．９２６８，ＲＭＳＥ为５０．３４３７，ＣＬＳＳＡ－ＬＳＴＭ的预测精度比ＰＳＯ－ＳＶＲ提高了９．８３０８％，比ＧＡ－ＢＰ提高了４．４２９３％，有着不错的预测效果，这也验证了该模型的预测准确性㊂３８第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright ©博看网. All Rights Reserved.1600150014001300120011001000560580600620640h o u r sp o w e r l o a d t r u eP S O _S V R G A _B P C L S S A _L S T M图９㊀不同预测模型在５５０６５０条数据对比图Ｆｉｇ．９㊀Ｃｏｍｐａｒｉｓｏｎｃｈａｒｔｆｒｏｍ５５０ｔｏ６５０ｄａｔａｏｆｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ４㊀结束语为了更有效地预测短期电力负荷，本文提出了一种基于小波降噪和ＣＬＳＳＡ－ＬＳＴＭ的混合深度学习方法㊂研究过程中，使用小波降噪来为数据进行降噪处理，并利用混沌初始化策略和引入Ｌｅｖｙ飞行策略以及引入新的跟着随者的更新公式改进了标准樽海鞘群算法（ＳＳＡ）㊂随后将其用于ＬＳＴＭ的参数优化，从６而得到具有最佳参数的ＬＳＴＭ负荷预测模型㊂采用６个基准函数来对比ＰＳＯ㊁ＦＡ㊁ＳＳＡ㊁ＣＬＳＳＡ的模型效果，用于验证算法的寻优速度和精度，构建了不同算法优化ＬＳＴＭ㊁ＰＳＯ－ＬＳＴＭ㊁ＧＡ－ＬＳＴＭ㊁ＳＳＡ－ＬＳＴＭ和ＣＬＳＳＡ－ＬＳＴＭ以及与单一ＬＳＴＭ五个比较模型，验证了ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ模型的负荷预测效果㊂同时，也对比了不同预测模型ＧＡ－ＢＰ㊁ＰＳＯ－ＳＶＲ的预测效果㊂结果表明：（１）ＣＬＳＳＡ算法对比其他算法有着较好的寻优速度和寻优精度㊂（２）ＣＬＳＳＡ优化的ＬＳＴＭ对比其他算法优化的ＬＳＴＭ拥有更好的拟合度Ｒ２以及最小的ＲＭＳＥ和ＭＡＰＥ㊂（３）ＣＬＳＳＡ－ＬＳＴＭ模型对比不同的预测模型表现出更好的预测效果，该模型具有较强的预测能力，因此能够对电力负荷数据进行有效预测㊂参考文献［１］ＡＭＢＥＲＫＰ，ＡＳＬＡＭＭＷ，ＨＵＳＳＡＩＮＳＫ．ＥｌｅｃｔｒｉｃｉｔｙｃｏｎｓｕｍｐｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｓｆｏｒａｄｍｉｎｉｓｔｒａｔｉｏｎｂｕｉｌｄｉｎｇｓｏｆｔｈｅＵＫｈｉｇｈｅｒｅｄｕｃａｔｉｏｎｓｅｃｔｏｒ［Ｊ］．ＥｎｅｒｇｙａｎｄＢｕｉｌｄｉｎｇｓ．２０１５，９０（３）：１２７－１３６．［２］李晨熙．基于ＡＲＩＭＡ模型的短期电力负荷预测［Ｊ］．吉林电力，２０１５，４３（０６）：２２－２４．［３］ＡＭＡＲＡＬＬＦ，ＳＯＵＺＡＲＣ，ＳＴＥＶＥＮＳＯＮＭ．Ａｓｍｏｏｔｈｔｒａｎｓｉｔｉｏｎｐｅｒｉｏｄｉｃａｕｔｏｒｅｇｒｅｓｓｉｖｅ（ＳＴＰＡＲ）ｍｏｄｅｌｆｏｒｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＦｏｒｅｃａｓｔｉｎｇ，２００８，２４（４）：６０３－６１５．［４］ＭＢＡＭＡＬＵＧＡＮ，ＥＩ－ＨＡＷＡＲＹＭＥ．Ｌｏａｄｆｏｒｅｃａｓｔｉｎｇｖｉａｓｕｂｏｐｔｉｍａｌｓｅａｓｏｎａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｍｏｄｅｌｓａｎｄｉｔｅｒａｔｉｖｅｌｙｒｅｗｅｉｇｈｔｅｄｌｅａｓｔｓｑｕａｒｅｓｅｓｔｉｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，１９９３，８（１）：３４３－３４８．［５］ＺＨＯＵＰ，ＡＮＧＢＷ，ＰＯＨＫＬ．Ａｔｒｉｇｏｎｏｍｅｔｒｉｃｇｒｅｙｐｒｅｄｉｃｔｉｏｎａｐｐｒｏａｃｈｔｏｆｏｒｅｃａｓｔｉｎｇｅｌｅｃｔｒｉｃｉｔｙｄｅｍａｎｄ［Ｊ］．Ｅｎｅｒｇｙ，２００６，３１（１４）：２８３９－２８４７．［６］王鑫．基于支持向量机的电力系统短期负荷预测研究［Ｄ］．青岛：青岛大学，２０１２．［７］游文霞，赵迪，吴永华，等．基于ＡｄａＢｏｏｓｔ集成学习的台区负荷最大值预测研究［Ｊ］．三峡大学学报（自然科学版），２０２０，４２（０６）：９２－９６．［８］易丹，王进，蒋铁铮．电力负荷短期预测的神经网络方法研究［Ｊ］．长沙电力学院学报（自然科学版），２０００，１５（０４）：４４－４６．［９］ＬＩＺｈｅｎｇ，ＱＩＮＹａｎ，ＨＯＵＳｈａｏｄｏｎｇ，ｅｔａｌ．ＲｅｎｅｗａｂｌｅｅｎｅｒｇｙｓｙｓｔｅｍｂａｓｅｄｏｎＩＦＯＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｌｏａｄｆｏｒｅｃａｓｔ［Ｊ］．ＥｎｅｒｇｙＲｅｐｏｒｔｓ，２０２０，６（Ｓ９）：１５８５－１５９０．［１０］ＺＨＥＮＧＣｈａｏ，ＷＡＮＧＳｈａｏｒｏｎｇ，ＬＩＵＹｉｌｕ，ｅｔａｌ．ＡｎｏｖｅｌＲＮＮｂａｓｅｄｌｏａｄｍｏｄｅｌｌｉｎｇｍｅｔｈｏｄｗｉｔｈｍｅａｓｕｒｅｍｅｎｔｄａｔａｉｎａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２０１９，９（６）：１１２－１２４．［１１］ＭＵＺＡＦＦＡＲＳ，ＡＦＳＨＡＲＩＡ．Ｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｓｕｓｉｎｇＬＳＴＭｎｅｔｗｏｒｋｓ［Ｊ］．ＥｎｅｒｇｙＰｒｏｃｅｄｉａ，２０１９，１５８：２９２２－２９２７．［１２］童善保．小波分析及其应用［Ｄ］．上海：上海交通大学，１９９８．［１３］ＭＩＲＪＡＬＩＬＩＳ，ＧＡＮＤＯＭＩＡＨ，ＭＩＲＪＡＬＩＬＩＳＺ，ｅｔａｌ．ＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍ：Ａｂｉｏ－ｉｎｓｐｉｒｅｄｏｐｔｉｍｉｚｅｒｆｏｒｅｎｇｉｎｅｅｒｉｎｇｄｅｓｉｇｎｐｒｏｂｌｅｍｓ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥｎｇｉｎｅｅｒｉｎｇＳｏｆｔｗａｒｅ，２０１７，１１４：１６３－１９１．［１４］付生猛，陈朝阳，周亚安．基于混沌映射的随机数产生器［Ｊ］．计算机研究与发展，２００４，４１（０４）：７４９－７５４．（下转第８８页）４８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright ©博看网. All Rights Reserved.终检查，电子锁为关闭的状态，状态查看响应时间为０．１４ｍｓ；语音警报未触发，响应时间为０．０８ｍｓ；服务器为错误状态，亟需进行处理，警报响应时间为０．０５ｍｓ㊂经过实验室环境㊁电器㊁状态等控制，可以保证系统运行正常㊂３．３㊀测试结果在上述测试条件下，本文选取出８种系统测试条件，每个监控内容均存在一个标准控制结果㊂在其他条件均一致的情况下，本文将传统实验室监控智能控制系统的控制结果，与本文设计的基于ＣＭＯＳ微处理器的实验室监控智能控制系统的控制结果进行对比㊂具体测试结果见表３㊂㊀㊀由表３可知，本文选取出实验室温度㊁湿度㊁煤气浓度㊁烟雾浓度㊁电气控制响应时间㊁电子锁状态查看响应时间㊁语音警报响应时间㊁服务器错误警报响应时间等实验室智能监控内容作为系统测试条件，每一个测试内容均对应着标准值㊂在其他条件均一致的情况下，传统实验室监控智能控制系统的控制结果，与标准控制结果相差较多，响应时间㊁温度㊁湿度㊁浓度等智能控制结果与标准控制结果相差得越多，系统运行能力越弱，智能控制效果随之下降㊂而本文设计的基于ＣＭＯＳ微处理器的实验室监控智能控制系统的控制结果，与标准控制结果相差较少，响应时间㊁温度㊁湿度㊁浓度等智能控制结果与标准控制结果相差较小，煤气浓度㊁烟雾浓度㊁语音警报响应时间等监控内容的智能控制结果，与标准控制结果一致，可以保证系统运行能力，智能控制水平较高，符合本文研究目的㊂表３㊀测试结果Ｔａｂ．３㊀Ｔｅｓｔｒｅｓｕｌｔｓ实验室智能监控内容标准控制结果传统实验室监控智能控制系统的控制结果本文设计的智能控制系统的控制结果实验室温度／ħ２１．８２２１．７２２１．８１实验室湿度／ＲＨ２．１７２．２７２．１８煤气浓度／ｐｐｍ０．０５０．０８０．０５烟雾浓度／（ｍｇ㊃ｍ－３）０．０８０．１５０．０８电器控制响应时间／ｍｓ０．２６０．３６０．２５电子锁状态查看响应时间／ｍｓ０．１４０．０４０．１３语音警报响应时间／ｍｓ０．０８０．１００．０８服务器错误警报响应时间／ｍｓ０．０５０．１５０．０４４㊀结束语为了使实验室环境更加符合科研需求，本文设计了基于ＣＭＯＳ微处理器的实验室监控智能控制系统，通过硬件设计与软件设计两方面，实现实验室监控智能控制，为科研事业的发展提供基础条件㊂参考文献［１］赵宏伟，秦昌明．构建基于ＰＤＣＡ模式实验室建设项目质量监控体系［Ｊ］．中国多媒体与网络教学学报（上旬刊），２０２１（０５）：１３１－１３３．［２］吴遵义，谢湖均．基于ＨＡＣＣＰ理念的高校实验室安全隐患排查与监控研究［Ｊ］．实验科学与技术，２０２０，１８（０２）：１４４－１４８．［３］刘燕，张奕，秦维勇，等．新工科背景下集成化智能配电网监控系统实验室建设研究［Ｊ］．中国教育信息化，２０２１（０１）：８７－９２．［４］付秀伟，付莉，赵广磊，等．基于物联网技术的水产养殖网箱水质监控实验教学平台建设［Ｊ］．物联网技术，２０２２，１２（０２）：４１－４２（上接第８４页）［１５］张前图，房立清，赵玉龙．具有Ｌｅｖｙ飞行特征的双子群果蝇优化算法［Ｊ］．计算机应用，２０１５，３５（０５）：１３４８－１３５２．［１６］包振山，郭俊南，谢源，等．基于ＬＳＴＭ－ＧＡ的股票价格涨跌预测模型［Ｊ］．计算机科学，２０２０，４７（Ｓ１）：４６７－４７３．［１７］杨孟达．基于改进ＰＳＯ－ＬＳＴＭ神经网络的气温预测［Ｊ］．现代信息科技，２０２０，４（０４）：１１０－１１２．［１８］熊伟丽，徐保国．基于ＰＳＯ的ＳＶＲ参数优化选择方法研究［Ｊ］．系统仿真学报，２００６，１８（０９）：２４４２－２４４５．［１９］刘春艳，凌建春，寇林元，等．ＧＡ－ＢＰ神经网络与ＢＰ神经网络性能比较［Ｊ］．中国卫生统计，２０１３，３０（０２）：１７３－１７６，１８１．８８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.。

基于负荷规律性分析的支持向量机短期负荷预测方法

叶变换的方法将历史负荷数据分解为不同频域上的分量，将不同频域上的分量依据负荷的成因及其特性组合成四种不同性质的负荷分量，对上述各分量选择不同的预测模型，对于受温度等影响较大的负荷分量，构造支持向量机模型进行预测。实例计算表明该方法是可行和有效的。关键词：傅里叶；支持向量机；负荷预测；频域；电力系统
在处理回归估计问题的强大功能，从而减小了建模误差提高了预测精度。
１负荷特性的傅里叶分析
傅里叶分析基本上是研究用一些正弦项和余弦项之和式去逼近一个函数的问题。对于离散时间序列｝进行有限傅里叶分解表达式如下：
Ｎ／２—１
Ｘ＝ａ＋ｔ０
Ｅ，ｏ（￣ｔＮａ￣ｓ２ｐ／）＋ｂｓ（￣ｔ］＋ｎ／。（ｔ（＝ｌ２ … ，ｐｉ２ｒ／ｓｎｐＮ）Ｎｃｓ订）ｔ，， Ⅳ）２
分量的组合Ｊ对某一地区的ｌ天内的。４负荷数据分解得到如图１一图４所示的
结果。
— 一一
６０
４０
２Ｏ
Ｏ２Ｏ４Ｏ
一
６ｏ８０１０ｏ
－
通过观察可以发现图１图２，所示图
形具有明显的周期性，３图４所示图图，形却不具有明显的周期性。从负荷特性
要求。
负荷预测的方法主要有统计分析法。时间序列法，人工智能法、人工神经网络等，这些算法研究主要集中在预测的数学模型上。没有考虑负荷本身的特性【。２因此预测结果难以满足要求。由于负荷本身】受多种因素的影响。因子和预测对象之间呈现十分复杂的非线性关系。预测根据多个预测因子与预测对象之问关系。建立令人满意的预测数学模型是很困难的。对不同因素形成的负荷预测因子分量，应该分别考虑选择不同的预测模型。本文利用傅里叶分析方法将负荷分解为不同的频率分量，根据不同分量的特点选择合适的建模方法。对于负荷中受天气影响较大的低频分量利用支持向量机进行建模预测。充分发挥了支持向量机算法

基于支持向量机的夏季电力负荷短期预测方法

第37卷第11期2009年11月V o.l37 N o.11 N ov. 2009基于支持向量机的夏季电力负荷短期预测方法沈梁玉,于欣(浙江大学宁波理工学院信息处理与优化技术研究所,浙江宁波 315100)摘要:基于支持向量机短期负荷预测模型,考虑气温因素,对浙江省某城区夏季电力负荷进行预测。

实例分析结果表明,预测值的平均相对误差为2.51%,验证了模型具有有效性和精确性。

关键词:支持向量机;电力负荷;短期预测;气温基金项目:国家自然科学基金项目(10501039)作者简介:沈梁玉(1987 ),男,硕士,研究方向为计算机技术应用。

中图分类号:O29;TM715 文献标志码:A 文章编号:1001 9529(2009)11 1844 04S V M based short ter m forecasti n g m et hods for su mm er pow er loadsS H E N L iang yu,YU X i n(N i nbo Institute of T echnology,Zheji ang U n i v.,H ang zhou315100,Chi na)Abstrac t:W ith cons i dera ti on o f t he temperature,the suppo rt v ector m ach i ne(S VM)based sho rt ter m po w er l oad forecasti ng model w as used to predict the su mm er load f o r an a rea i n Zhe jiang.T he results proved the m ode l e ffective and accura te w it h t he m ean relative erro r about2.51%.K ey word s:support vector m ach i ne(SVM);pow er load;sho rt te r m forecasti ng;te m perat ure个数是有限的,所以当没有更多的频点可以使用时,要做好各个基站的规划。

基于支持向量机的短期负荷预测的方法改进

获得预测值五，使之尽可能接近实际值。预测值
可一般地表示为
．
厂ｚ＝＜，ｚ）（）（）＋ｂ
（）２
式中，０）（２为输人空间到希尔伯特空间的映射，７ｂ为阈值，为权系数向量。砌对输人和输出样本进行回归，成对系统的建完模，通过建模训练，找到参数和ｂ，得：要寻使
摘
要：在对支持向量机（ｕｐｒＶｃｒｃｉｓＳＳｐｏｔｅｔｈｎ，ＶＭ）ｏＭａｅ方法的参数性能进行分析的基础上，出了将Ｇｉ— 提ｒｄ
ｓａｃ方法引入至基于支持向量机的短期负荷预测算法中，ｅｒｈ以解决支持向量机方法的参数选择问题。该参数选择
ＣｕｇＣａｇ和Ｃｉ－ｎＬｎ提出的Ｇｒ —ｅｒｈ方ｈｎｈｎｈｈＪｉｅｉｓａｃｄ
法［应用于短期负荷预测中支持向量机的参数选５］择上，旨在减少参数选择的盲目性，提高支持向量机
的预测精度。
ｌ回归支持向量机模型［６Ｊ
Ｉ（），０）厂ｚ一（（）一ｂ ≤ｅ７２Ｉ
．
（）３
式（）３的最优化问题为：
ｍｉ：ｎ
叫．ｂ
训
二
方法受核函数必须可导的限制，且在搜索过程中容
易陷人局部极４Ｌ，。对于以上问题，文提出将ＣｉＷｅＨｓＣｉ— 本ｈｈｉ，ｈｈ —
中图分类号：Ｍ７５Ｔ１文献标识码：Ａ

基于支持向量机的电力短期负荷预测

２支持向量机回归算法
１Ｏ：０１ｏ．ｌ６６ｌ９．Ｏ３６
１０．０７５ｌ９５０９
— ．３２９ — ．３７６
２１．４ —１２．９
１ｏＯ１ｏ
．
给定样本｛麓，）ｉ１２（）（，…Ｎ）Ｎ为样本容量，是输入向量，为：，响应输出数据，为训练样本数。ＮＳＭ用非线性映射 ‘：ＶＰＲ一（ｍ≥ｎ将输入空间映射到高维特）征空间，在高维特征空间用如下的线性函数来拟合数据：再
目前ＳＶＭ方法常用于分类及回归分析。
时刻
（Ｗ预测值相对误预测值相对误预测值相对误Ｍ）（差（（ＭＷ）％）Ｍ差（（差ｆ％）ＭＷ）％１
ｌ７．Ｏ１２１５．０３９
１９３．０９１５５０８．
２长治供电分公司继电保护自动化所山西．【摘源自长治０７０）４６０
要】文在分析了支持向量机基本原理的基础上，用支持向量机采用回归算法建立了相应的预测模型，某市电力负荷进行预测本采对
科技信息
。电力与能源ｏ
ＳＩＮＥ＆ＴＣＮＯＯＹＩＯＲＴＯＮＣＥＣＥＨＬＧＮＦＭＡＩ
２１０１年
第７期
基于支持向量机的电力短期负荷预测
陈永霞韩颖张艳（．１郑州大学软件技术学院河南郑州４００５００；

基于支持向量机的短期电力负荷预测

性，在数学模型的基础上确立负荷预测的数学尤其反映的数量级上，为了解决这个问题，需
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，输入变量应该为影度。此方法具有算法简单，需求数据少，速度响负荷量的因素，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【关键词】负荷预测支持向量机粒子群算法快等优点，但有一定的应用局限性。性不可分的模式通过非线性映射到高维特征空最小二乘向量机核函数１．２人工智能法间则可能实现线性可分，但是如果直接采用这目前对于非线性和复杂系统的电力负荷种技术在高维空间进行分类或回归，则存在确负荷预测是指从己知情况出发，通过对于历史数据的分析和研究，探索事物之间的内预测主要使用人工智能法。主要包括基于专家定非线性映射函数的形式和参数、特征空间维
可以为分为两类：经典数学统计法和人工智能
法。
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１．１经典数学统计法
系统的预测技术、支持向量机、模糊控制技术、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。

电力系统中基于机器学习的短期负荷预测研究

电力系统中基于机器学习的短期负荷预测研究随着人们生活水平的不断提高，电力系统的负荷需求也随之不断增长，为了应对这一挑战，各国电力系统逐渐借助先进的技术手段来进行短期负荷预测，以提高系统的运行效率和可靠性。

其中机器学习技术因其高效、准确、自适应等特点，成为电力系统中应用广泛的一种预测方法。

一、短期负荷预测概述短期负荷预测是指在给定的日期和时间范围内，预测系统的电力负荷大小，以提高电力系统的供应能力，并保证系统运行的可靠性和稳定性。

通常短期负荷预测分为日、周、月、季度等多个层次，根据预测准确度和预测周期的不同，应用场景也有所不同。

例如，日负荷预测主要适用于日前调度、负荷平衡控制等方面，而周、月、季度负荷预测则主要用于电力市场分析、电力交易等方面。

二、机器学习在短期负荷预测中的应用机器学习适用于多变量、非线性、高维度数据的情况，因此在电力系统中的短期负荷预测领域得到了广泛的应用。

目前，机器学习在短期负荷预测中的应用主要包括以下几种方法。

1. 基于回归的方法基于回归的方法是通过寻找训练数据与负荷之间的关系，建立回归模型来预测未来的负荷情况。

常见的回归模型包括线性回归模型、非线性回归模型、支持向量机回归模型等。

2. 基于神经网络的方法基于神经网络的方法是建立一个包含大量神经元的神经网络，并将历史数据作为输入，通过反向传播算法调整网络的参数，从而得到能够准确预测负荷的神经网络模型。

3. 基于时序模型的方法基于时序模型的方法是针对时间序列数据建立预测模型，例如ARIMA模型、季节性自回归模型、指数平滑模型等。

这些模型能够通过对时间序列数据的学习，从而更加准确地预测未来的负荷情况。

三、机器学习在短期负荷预测中的优势和挑战机器学习在短期负荷预测中被广泛应用的原因之一是其具有准确性高、自适应性强等优势。

另外，机器学习还能够自动化地处理数据，快速学习新知识，并通过算法不断改进，从而提高预测效果。

然而，机器学习在短期负荷预测中也存在一些挑战，例如需要大量的历史数据作为输入，对于数据质量和数据处理技术要求较高，计算资源和算法优化也是瓶颈所在。

基于机器学习的电力系统短期负荷预测

基于机器学习的电力系统短期负荷预测电力系统是现代社会正常运行的重要基础设施，而负荷预测作为电力系统运行的关键环节之一，对电力系统的安全稳定运行具有重要作用。

随着机器学习技术的快速发展，基于机器学习的电力系统短期负荷预测成为当前研究的热点之一。

本文将围绕这一主题展开讨论，介绍基于机器学习的电力系统短期负荷预测的方法、关键技术和应用前景。

一、方法介绍1. 数据收集和预处理基于机器学习的电力系统短期负荷预测的第一步是收集电力系统的历史负荷数据。

这些数据可以包括历史负荷曲线、天气数据、节假日等信息。

在收集到数据后，需要对数据进行预处理，包括数据清洗、异常值处理、特征工程等。

通过这些处理，可以提高数据的质量，并为后续的机器学习算法提供可靠的输入。

2. 特征选择和构建在特征选择阶段，需要从原始数据中选择最相关的特征，以提高模型的预测性能。

常用的特征选择方法包括相关性分析、主成分分析等。

此外，还可以根据专业知识和经验构建特定的特征，以反映电力系统负荷的特点。

特征选择和构建的目的是提取对负荷预测最具有代表性和预测能力的特征。

3. 模型选择和训练在机器学习中，有多种模型可以用于电力系统短期负荷预测，包括神经网络、支持向量机、随机森林等。

选择合适的模型对于预测准确性和性能至关重要。

在模型选择之后，需要使用历史数据进行模型的训练和优化。

训练集和验证集的划分需要合理，以避免过拟合和欠拟合的问题。

通过迭代调整模型的参数，可以得到更好的预测效果。

4. 模型评估和优化在模型训练完成后，需要对模型进行评估和优化。

评估指标常用的有均方根误差（RMSE）、平均绝对误差（MAE）等。

通过对模型进行评估，可以了解模型的预测性能，并找到进一步优化模型的方法。

根据评估结果，可以对模型参数进行调整、增加数据量或者采取其他优化手段来提升模型的预测精度。

二、关键技术1. 特征工程特征工程是机器学习中的关键环节，对于建立准确预测模型至关重要。

通过合理选择和构建特征，可以大大提高模型的预测能力。

基于支持向量机的短期负荷预测

2019.061概述电力系统制定供电计划、调度计划以及其安全、经济、可靠的运行都依赖于准确的电力负荷预测。

短期的负荷预测是指,在一定的误差范围之内的情况下,通过对过去某段时间的负荷数据以及影响负荷的数据建立一种算法模型对未来某一时段的电力负荷进行预测[1]。

在进行负荷预测时需要考虑多种因素,例如气温变化、节假日、人民生活习惯等。

目前判断一个电力企业的现代化水平,负荷预测的精准度成为了一个关键因素,因此,电力系统进行负荷预测对电力行业的发展就显得尤为重要。

由于负荷预测的重要性,各种负荷预测方法百花齐放。

每种预测方法都有各自的优缺点,讨论了基于支持向量机的电力负荷短期预测。

2支持向量机理论支持向量机(Support Vector Machine,SVM)是在20世纪末提出的一套学习算法,能够很好地解决小样本、非线性,高维度等实际问题[2]。

给定一个样本集:D =(x i ,y i ),i =1,2,…n,其中x i为输入向量(包含影响输出因素),y i 为目标输出,n 为样本集包含样本的数量。

在实际生活中,常常遇到的都是一些非线性问题,这时就要利用映射函数φ将样本点一一映射到高维空间(即x→φ(x))。

低维向高维映射过程如图1所示。

为利用SVM 解决回归拟合类问题,在SVM 中引入不敏感函数,得到了支持向量机回归模型(Support Vector Regression,SVR)[3]。

选择适当的核函数在高维空间进行线性回归,从而得到在原空间上做非线性回归一样的的效果。

应用这种方法时的估计函数f 为:(1)式中:w 为法向量,b 为常量。

根据结构风险最小化原则,系数w 、b 需要通过对目标函数进行最小化处理来求得[4]。

目标函数R (w )如下:(2)式中:常数C 为惩罚参数,ε为不敏感损失函数。

引入松弛变量ξi 和ξ*i ,将式(2)转换为式(3)的最优化问题。

(3)引入Lagrange 函数,根据最优条件;;基金项目：自然科学基金资助项目,动态异构空间信息与知识服务研究,20170101081JC。

一种基于支持向量机的电力负载预测算法

第35卷第5期科技通报Vol.35No.5 2019年5月BULLETIN OF SCIENCE AND TECHNOLOGY May2019一种基于支持向量机的电力负载预测算法程子华(广州市机电技师学院，广州510435)摘要:提出了一种能够提高负荷预测精度的方法。

在对历史电网运行数据进行处理时引入大数据挖掘技术，并且使用了支技向量机来进行电力系统短期负荷的预测新方式，对基于粒子群优化的支持向量算法进行了改进，提出基于相似日聚类的支持向量机的方法以对电网的负荷状态进行预测。

以湘潭市的电力负荷数据为测试数据，进行两种算法结果的对比。

结果表明:本文的算法在对比中具有较大的优势，数据预处理在预测的精度上有着非常重要的关联。

关键词：支持向量机；电力负载；预测算法；相似日中图分类号:TP301.6文献标识码：A文章编号:1001-7119(2019)05-0067-04D01：10.13774/ki.kjtb.2019.05.012Power Load Forecasting Algorithm Based on Support Vector MachineCheng Zihua(Guangzhou Electromechanical Technician College,Guangzhou510435,China)Abstract:Based on the above algorithm,this paper proposes a method to improve the load forecasting precision.Is crucial to improve the precision of the prediction model of improvement,in the history of power grid operation data for processing large data mining technology is introduced,and using the supported vector machine(SVM)for electric power system short-term load forecast new way,in this paper,the support vector based on particle swarm optimization algorithm is improved,based on the similar day clustering support vector machine(SVM)method to predict the load status of power grid.In order to test the performance of the algorithm in this paper,the results of two algorithms based on the power load data of xiangtan are given at the end of the text.The algorithm in this paper has a great advantage in comparison,and the results show that the data preprocessing of this paper has a very important relation with the accuracy of prediction.Keywords:support vector machine；power load；prediction algorithm；similar day对运行时的电力系统进行负荷预测是一项极为必要的工作，预测的结果也对电力系统的运行规划上有极为重要的参考意义⑷。

基于机器学习的短期电力负荷预测模型

模型评估
通过比较预测结果和实际值，评估模型的预测精度和稳定性。
06
结论与展望
研究成果总结
提出了一种基于机器学习的短期电力负荷预测模型，该模型结合了多种机器学习算法，如支持向量机、神经网络和随机森林等，以提高预测精度和稳定性。
通过实验验证了所提出模型的有效性和可行性，与其他预测方法相比，所提出模型在预测精度和稳定性方面具有明显优势。
考虑计算资源和时间限制，选择适合的算法以实现快速预测和分类。
可解释性
对于需要解释预测结果的应用场景，选择易于
理解和解释的算法。
03
短期电力负荷预测模型构建
数据预处理
01
02
03
数据清洗
去除异常值、缺失值和错误数据，确保数据质量。
数据转换
将原始数据转换为适合模型训练的格式，如归一化、标准化等。
数据分割
将数据集分为训练集、验证集和测试集，以便评估模型的性能。
特征提取与选择
01
02
03
04
基础特征
如时间、日期、天气、历史负荷等。
统计特征
如平均值、方差、趋势等。
机器学习特征
通过机器学习算法自动提取与负荷预测相关的特征。
特征选择
使用相关系数、卡方检验等方法选择与负荷预测最相关的特
征。
研究内容
本文将从以下几个方面展开研究：首先，对常用的机器学习算法进行介绍和分析；其次，选择合适的算法进行电力负ቤተ መጻሕፍቲ ባይዱ 预测模型的构建；再次，对模型的性能进行评估和优化；最后，对模型的适用性和推广性进行探讨。
02
机器学习算法概述
机器学习基本概念
数据驱动

基于支持向量机的电网负荷预测

２０２０年１２月２５日第４卷第２４期现代信息科技Modern Information TechnologyDec.2020 Vol.4 No.241202020.12收稿日期：2020-11-25基于支持向量机的电网负荷预测王诗涵，周法国（中国矿业大学（北京）机电与信息工程学院，北京 100083）摘要：基于现有的电力负荷预测方法提高电力负荷预测的准确性，提出了一种基于支持向量机（SVM ）的电力负荷预测模型。

首先分析支持向量机的理论基础，通过建立支持向量机预测模型，将经过预处理的真实电力数据输入该模型进行学习预测，借助均方根误差（RMSE ）、平均绝对百分比误差（MAPE ）以及预测图表对模型预测性能进行验证分析。

实验结果表明，SVM 预测模型能够较为准确地对电力负荷预测进行刻画。

关键词：机器学习；电力负荷；支持向量机中图分类号：TP273.4文献标识码：A文章编号：2096-4706（2020）24-0120-03Ｌｏａｄ　Ｆｏｒｅｃａｓｔｉｎｇ　ｏｆ　Ｐｏｗｅｒ　Ｇｒｉｄ　Ｂａｓｅｄ　ｏｎ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　ＭａｃｈｉｎｅWANG Shihan ，ZHOU Faguo（School of Mechanical Electronic & Information Engineering ，China University of Mining and Technology-Beijing ，Beijing 100083，China ）Abstract ：Based on the existing power load forecasting methods to improve the accuracy of power load forecasting ，a power loadforecasting model based on support vector machine （SVM ）is proposed. First ，analyze the theoretical basis of support vector machines ，and by establishing a support vector machine prediction model ，input the pre-processed real power data into the model for learning prediction. The prediction performance of the model is verified and analyzed with the help of root mean square error （RMSE ），mean absolute percentage error （MAPE ）and prediction chart. The experimental results show that the SVM prediction model can describe the power load forecast more accurately.Keywords ：machine learning ；electric load ；support vector machine0 引言电力负荷在电力管理系统中有着极为重要的地位。

电力系统中基于支持向量机的负荷预测

电力系统中基于支持向量机的负荷预测随着社会经济的不断发展，人们生活水平的提高和工业化、城市化的加速，电力系统的负荷预测愈加重要。

有效地进行负荷预测，能够为电力系统提供稳定、可靠的供电，为全社会的经济发展起到重要作用。

支持向量机是一种基于统计学习理论的优秀预测方法，应用于电力系统负荷预测中具有一定的优势。

一、支持向量机的基本原理支持向量机(SVM)是一种基于统计学习理论的分类和回归分析方法[1]，其核心是寻找一个最优超平面，在高维空间将不同类别进行区分。

其原理与神经网络基本相同，其每一层都是对输入样本向量的某些特征进行转换和分类。

支持向量机是选择能够产生最大函数间隔的超平面作为分隔，从而得到最好的分类结果。

其中的间隔是由超平面与正负样本点最近的点的距离（即支持向量）的一半决定的。

支持向量是指能够影响 SVM 分类的极个别的样本点。

支持向量机的学习过程就是求解能够最大化分类间隔的过程。

SVM 在构建分类器的时候将问题变为求解一个凸二次规划问题来寻找最优分隔超平面。

二、支持向量机在负荷预测中的应用电力系统中的负荷预测是一种典型的时序预测问题。

基于支持向量机的负荷预测方法具有训练速度快、预测精度高等优越性[2]，并且能够适应不同种类和不同档次的负荷预测问题。

具体的应用可以通过以下步骤：首先，应该对提取的负荷数据进行预处理，包括去除极大值和极小值，以及进行对空缺数据的填补。

其次，根据提取到的负荷数据的特性设计分类器。

通常情况下将数据按时间序列排列，用前一天的负荷数据作为输入，预测当天的负荷数据，将预测输出向下延伸，进行进一步的预测。

最后，通过比较预测结果与实际结果的差异，进一步对分类器进行优化。

三、基于支持向量机的负荷预测案例分析在东北电网某省级配电公司的负荷预测中，应用了基于支持向量机的负荷预测方法。

具体来说，这种方法将时间序列预测问题转换为了一个分类问题，通过机器学习的方式确定分类器，并据此进行负荷预测。

负荷预测中的支持向量机算法优化研究

负荷预测中的支持向量机算法优化研究1. 研究背景电力系统是现代社会的重要基础设施之一。

为了保障电力系统的安全稳定运行，负荷预测是一个关键的任务。

负荷预测的准确性直接影响到电力系统的调度和运行决策，因此对负荷预测算法的优化研究尤为重要。

2. 支持向量机算法简介支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论的机器学习算法。

其核心思想是通过找到最优超平面将不同类别的样本点分开，以实现分类任务。

在负荷预测中，SVM常用于进行负荷的非线性回归分析。

3. 支持向量机算法在负荷预测中的应用支持向量机算法在负荷预测中的应用主要分为两个方面：一是进行短期负荷预测，即对未来一段时间内的负荷进行预测；二是进行长期负荷预测，即对未来较长时间内的负荷进行趋势预测。

4. 支持向量机算法在短期负荷预测中的优化研究4.1. 核函数选择优化：支持向量机算法中的核函数的选择对预测性能有较大影响。

优化选择合适的核函数，可以提高预测的准确性和鲁棒性。

现有的研究主要集中在线性核、多项式核和径向基核等核函数的选择上。

4.2. 核参数优化：支持向量机算法中的核参数的选择也对预测结果有重要影响。

通过调节核参数的值来优化算法的预测性能。

常见的优化方法包括网格搜索、遗传算法、模拟退火算法等。

4.3. 样本特征选择和预处理：在负荷预测中，选择合适的特征对预测性能有着至关重要的影响。

通过剔除冗余和无关特征，可以降低模型复杂度并提高预测效果。

此外，合适的数据预处理方法（如归一化、平滑处理等）也能对预测结果产生积极影响。

5. 支持向量机算法在长期负荷预测中的优化研究5.1. 时间序列分析：长期负荷的预测往往受到季节性、周期性和趋势性因素的影响。

通过引入时间序列分析方法，将时间特征纳入模型中，可以更好地对这些影响因素进行建模，从而提高长期负荷预测的准确性。

5.2. 增量学习：长期负荷预测任务涉及的数据量通常较大，而且数据会随着时间的推移不断增加。

电力系统中基于机器学习算法的短期负荷预测

电力系统中基于机器学习算法的短期负荷预测近年来，随着电力行业的快速发展和信息技术的不断进步，短期负荷预测成为了电力系统中一项重要的任务。

电力系统的负荷预测对于电力企业的运行调度、电力市场的交易决策以及电网的稳定运行至关重要。

而基于机器学习算法的短期负荷预测技术，正逐渐成为该领域的研究热点。

本文将就电力系统中基于机器学习算法的短期负荷预测进行论述。

一、短期负荷预测的意义和挑战1.1 意义短期负荷预测是指对未来一段时间（通常为几小时或几天）内电力系统的负荷进行量化预测。

它对于电力系统的正常运行和管理具有重要意义。

准确的短期负荷预测能够为电力企业提供参考，使其根据负荷情况进行生产调度、优化机组出力以及制定电力交易策略。

同时，短期负荷预测还可以帮助电力市场运营者进行电力交易决策，保证市场交易的平稳和公平。

此外，短期负荷预测还对于电力系统的运行安全和稳定具有重要意义，可以为电网调度员提供实时指导，避免负荷过载和电网事故的发生。

1.2 挑战然而，短期负荷预测却面临着一系列的挑战。

首先，电力系统的负荷存在着一定的随机性和时变性，受天气、季节、节假日等因素的影响较大，因此难以准确预测。

其次，电力系统的负荷具有非线性和复杂性，常规的线性回归模型往往无法满足准确预测的需求。

再次，电力负荷的数据具有海量性和高维性，传统的预测方法在处理大规模数据时效率低下。

此外，电力系统的负荷预测还需要考虑多个影响因素，如温度、湿度、经济状况等，需要建立复杂的预测模型。

二、机器学习算法在短期负荷预测中的应用2.1 机器学习算法概述机器学习是一门研究如何使计算机系统能够自动学习和改进的学科。

它通过对数据的学习和分析，构建模型并进行预测或决策。

目前广泛应用的机器学习算法包括支持向量机（SVM）、深度学习（Deep Learning）、朴素贝叶斯（Naive Bayes）等。

2.2 机器学习算法在短期负荷预测中的应用近年来，机器学习算法在短期负荷预测中的应用越来越多。

基于支持向量机的某地区电网短期电力负荷预测

基于支持向量机的某地区电网短期电力负荷预测万强;王清亮;王睿豪;黄朝晖;白云飞;陈大军;栗维勋【摘要】负荷预测是电力系统安全经济运行的前提.随着电力系统的市场化和能源互联网的研究与发展,高质量的负荷预测显得愈发重要.分析了影响负荷预测的因素,对数据进行收集及挖掘,采用了基于支持向量机负荷预测算法对区域负荷进行短期预测,并进一步开展了针对城区的精细化负荷预测研究.结合某地区案例,对该算法进行验证,结果表明,该算法预测结果优越,相对误差率较小.%Load forecasting is a prerequisite for safe and economical operation of power system.With the market reform of power system and research and development of the energy Internet,high-quality load forecast becomes increasingly important.This paper analyzes the factors that influence the load forecasting,collects and excavates the data,uses the support vector machine load forecasting algorithm to forecast the regional short-term load,and further develops the fine load forecasting research for the urban area.According to a test of this forecasting algorithm for a case in an urban area,the resuh shows that the better the forecasting result,the lower the relative rate.【期刊名称】《电网与清洁能源》【年(卷),期】2016(032)012【总页数】7页(P14-20)【关键词】短期负荷预测;数据发掘;支持向量机【作者】万强;王清亮;王睿豪;黄朝晖;白云飞;陈大军;栗维勋【作者单位】国网石家庄供电公司,河北石家庄050000;国网石家庄供电公司,河北石家庄050000;西安交通大学电气工程学院,陕西西安710049;国网石家庄供电公司,河北石家庄050000;国网石家庄供电公司,河北石家庄050000;国网石家庄供电公司,河北石家庄050000;国网石家庄供电公司,河北石家庄050000【正文语种】中文【中图分类】TM715负荷预测是为了确定未来某时间区间的负荷数据，在进行负荷预测时需要考虑多种因素，比如天气气候、居民生活习惯、以及电力系统实际运行特性等。

基于自适应粒子群支持向量机的短期电力负荷预测

收稿日期:2006209230基金项目:国家自然科学基金资助项目(60274009)・作者简介:刘　佳(1980-),男,辽宁沈阳人,东北大学博士研究生;高立群(1949-),男,辽宁沈阳人,东北大学教授,博士生导师・第28卷第9期2007年9月东北大学学报(自然科学版)Journal of Northeastern University (Natural Science )Vol 128,No.9Sep.2007基于自适应粒子群支持向量机的短期电力负荷预测刘　佳,李　丹,高立群,鲁　顺(东北大学信息科学与工程学院,辽宁沈阳　110004)摘要:针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO )・该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性・将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化・对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO 2SVM 方法的预测精度明显优于传统的SVM 方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的・关　键　词:粒子群优化;自适应变异;支持向量机;负荷预测中图分类号:TM 711 文献标识码:A 文章编号:100523026(2007)0921229204A Short 2T erm Load Forecasting ApproachB ased on SupportV ector Machine with Adaptive Particle Sw arm Optimization AlgorithmL IU Jia ,L I Dan ,GA O L i 2qun ,L U S hun(School of Information Science &Engineering ,Northeastern University ,Shenyang 110004,China.Correspondent :L I Dan ,E 2mail :neulidan @ )Abstract :Aiming at the precocious convergence problem of particle swarm optimization algorithm ,an adaptive particle swarm optimization algorithm (APSO )is presented ,in which the inertia weight is nonlinearly adjusted by the information on population diversity and then the velocity mutation factor and position interchange factor are both introduced in to get rid of the constrict due to precocious convergence with fast hunting speed kept as previous.The algorithm has been applied to the optimization of parameters in SVM.A short 2term load forecasting model based on SVM with adaptive particle swarm optimization algorithm (APSO 2SVM )is thus presented.The simulation results showed that APSO 2SVM can offer more accurate forecasting result than conventional SVM method.Therefore ,the approach is efficient and practical to a short 2term load forecasting of electric power system.K ey w ords :particle swarm optimization ;adaptive mutation ;support vector machine ;load forecasting负荷预测是电力调度部门的重要工作之一・迄今为止,人们已经将很多种方法用于负荷预测领域,并取得了不同程度的成功・这些方法大致可分为两类:传统预测方法和人工智能方法・传统的短期负荷预测方法以趋势时间序列法、外推法、灰色模型法等为主,这些算法的原理简单、速度快,但多是线性模型,很难模拟复杂多变的电力负荷・人工智能方法主要包括专家系统、模糊逻辑方法和人工神经网络方法等[1-3]・这些方法有着成熟的理论基础,在实际电力系统中都有应用,然而它们也都有各自的缺陷,实际预测效果并不理想・随着预测理论的不断发展,基于统计学习理论的支持向量机(support vector machine,SVM)方法[4-5]被用于负荷预测中・但是,SVM在具体应用中存在一个突出问题,那就是如何设置影响算法的一些关键参数・本文提出了自适应粒子群优化APSO(adaptive particle swarm optimization)算法,并将APSO算法用于SVM的参数优化,结合某省电力公司的实际负荷数据进行短期电力负荷预测,编制了基于Matlab语言的优化计算程序・算例仿真表明APSO2SVM用于短期电力负荷预测是有效可行的・1　粒子群优化算法自适应粒子群优化算法由文献[6]可知,每个粒子的速度和位置按如下公式进行变化:v id=w v id+c1r1(p id-x id)+c2r2(p gd-x gd),(1) x id=x id+v id・(2) 1.1　种群多样性的测度本文采用平均粒距来描述种群的多样性・设L为搜索空间对角最大长度,m和n分别表示种群规模大小和解空间维数,p id表示第i个粒子的第d维坐标值, p d表示所有粒子第d维坐标值均值,则定义平均粒距如下[7]:D(t)=1m・L6mi=16nd=1(p id- p d)2・(3)平均粒距表示种群中个体相互之间的分布离散程度,从式(3)可知,平均粒距独立于种群规模大小、解空间维数以及每维搜索范围・D(t)越小,表示种群越集中・1.2　惯性权重的自适应调节本文提出了一种按式(4)对w进行自适应调整的策略,即在寻优的初期,为了增加算法的全局搜索能力,惯性权重随种群多样性的增加而增大;在寻优的后期,为了增加算法的局部搜索能力,惯性权重随种群多样性的减少而减小・充分利用种群多样性的变化信息,随着种群多样性的变化非线性地调整w值,w(t)=1-e-D(t)・(4) 1.3　引入变异算子和交换算子为了保持粒子群的多样性,本文在算法中引入变异算子和交换算子・与文献[8]不同,本文采用的变异策略是当平均粒距小于某个给定的值后,保留粒子群的历史最优位置,将粒子速度中的部分分量重新随机初始化,以此来增强全局搜索能力,同时又不降低收敛速度和搜索精度・具体变异方法为:对所有粒子速度的各分量配置分布于[0,1]的随机数r i,如果r i小于给定变异率p m,则该粒子速度的分量在解空间初始化,但该粒子迄今找到的最优位置仍旧保存,对m个粒子都实施上述变异操作,则种群变异完成・对变异后的种群再按照给定的交换率p c进行粒子位置交换,生成新的种群,然后进入新一轮寻优搜索・按以上原则设计的方法具有自动适应粒子在搜索过程中的不同分布情况而调整搜索方向的功能,故称之为自适应粒子群优化算法(adaptive particle swarm optimization,简称APSO)・2　支持向量机回归估计方法用SVM来估计回归函数,其基本思想就是通过一个非线性映射,把输入空间的数据映射到一个高维特征空间去,然后在此空间中做线性回归・训练样本集假定为{(x i,y i),i=1,2,…,l},其中x i∈R N为输入值,y i∈R为对应的目标值, l为样本数・定义ε不敏感损失函数,由下式决定:y-f(x)ε=0,y-f(x)≤ε,y-f(x)-ε,y-f(x)>ε・(5)其中,f(x)为通过对样本集的学习而构造的回归估计函数,y为x对应的目标值,ε>0为与函数估计精度直接相关的设计参数・对于训练集为非线性情况,通过某一非线性函数<(・)将训练集数据x映射到一个高维线性特征空间,在这个维数可能为无穷大的线性空间中构造回归估计函数・在非线性情况,估计函数f(x)为如下形式:f(x)=w・<(x)+b・(6)式中,w的维数为特征空间维数(可能为无穷维)・最优化问题为minw,b,ξ12‖w‖2+C6l i=1(ξi+ξ3i),(7) s.t.y i-w・<(x i)-b≤ε+ξi,w・<(x i)+b-y i≤ε+ξ3i,i=1,2,…,l,ξi≥0,ξ3i≥0・其中,C>0为惩罚系数・采用拉格朗日乘子法求解这个具有线性不等式约束的二次规划问题,即引入拉格朗日乘子αi和α3i为对偶参数,对任意i=1,2…n,都有αiα3i=0,αi≥0,α3i≥0成立・得到其对偶最优化问题:0321东北大学学报(自然科学版) 第28卷max α,α3L D =-126l i =16lj =1(αi -α3i )(αi -α3i )×K (x i ,x j )-ε6li =1(αi +α3i )+6li =1y i (αi -α3i ),(8)s.t.6li =1(αi -α3i )=0,αi ,α3i∈[0,C ]・其中,K (x i ,x j )=<(x i )・<(x j )称为核函数,本文选用径向基函数K (x i ,x )=exp-x -xi2/σ2,σ为待确定的核参数・回归估计函数为f (x )=6x i∈SV(αi -α3i )K (x i ,x )+b ・(9)其中,b 按下式计算,b =1N NSV60<α<Ciy i -6x j∈SV(αj -α3j )K (x j ,x i )-ε+60<α31<Cy i -6x j∈SV(αj -α3j )K (x j ,x i )+ε・(10)SVM 中需要确定的参数有平衡参数C 、不敏感性参数ε及核函数参数σ等・研究中发现,参数C ,σ和ε的选择,对于SVM 回归估计的精度影响很大・其中C 可以根据样本数据的特性,决定模型的复杂度和对大于ε的拟合偏差的惩罚程度・C 值过大或过小都会因过学习或欠学习使系统的泛化性能变差・核函数σ精确定义了高维特征空间φ(X )的结构,因而控制了最终解的复杂性,σ值过大或过小都会使系统的泛化性能变差・ε表明了系统对估计函数在样本数据上误差的期望,ε值越大,支持向量数目越少,解的表达就越稀疏,但大的ε也能降低回归估计的精度・3　基于APSO 2SVM 的短期负荷预测3.1　基于APSO 的SVM 回归估计模型由上节知道,SVM 参数的选择对于SVM 回归估计的精度影响很大・如何合理选择SVM 的参数,目前尚未有有效的方法,一般通过交叉验证试算或梯度下降法求解,为此,本文提出采用自适应粒子群优化算法来对支持向量机的参数进行自动优化选择・利用APSO 优化SVM 回归估计方法的步骤如下:(1)设定APSO 种群规模m ,加速常数c 1和c 2,变异率p m ,交换率p c ,最小平均粒距D min ,最大平均粒距D max ,最大进化代数T max ,将当前进化代数置为t =1;(2)在解空间中初始化粒子的速度和位置;(3)计算各个粒子的适应值,适应度函数定义为F =6Ni =1(y i -^y i )2,^y i ,y i 分别为SVM 训练输出值和期望输出值・将第i 个粒子当前点适应值设为最优位置p i ,p i 值中最大者设为种群最优位置p g ;(4)计算平均粒距D (t ),若D (t )>D max ,转至步骤(5);若D (t )<D min ,进行变异和交换操作后转至步骤(6);(5)按式(4)更新惯性权重w ,按式(1)和式(2)更新粒子的速度和位置,产生新种群X t ;(6)评价种群X t ・将第i 个粒子当前点适应值与该粒子迄今找到的最优位置p i 的适应值进行比较,若更优,则更新p i ,否则保持p i 不变,再与种群迄今找到的最优位置p g 的适应值进行比较,若更优,则更新p g ;否则保持p g 不变;(7)检查是否满足寻优结束条件,若满足则结束寻优,求出最优解;否则,置t =t +1,转至步骤(4);结束条件为寻优达到最大进化代数T max ;(8)将优化的最优结果,即最优参数向量赋给SVM ;(9)用样本数据对SVM 进行训练,求解式(8);(10)将求解式(8)所得参数带入式(9)得到回归估计函数,利用预测样本进行预测・3.2　基于APSO 2SVM 的短期负荷预测电力系统短期负荷预测是一个多变量复杂预测问题・它可被看成一个函数回归问题・负荷y 为函数的输出值,而相应的影响负荷的因素如:历史负荷、温度信息、气象信息等,作为函数的输入值X ・训练样本集由历史数据提供・最终目的是寻找一个有良好推广能力的从影响负荷的因素到负荷的映射・本文对1天96点的每一点分别建立基于APSO 2SVM 负荷预测模型・具体负荷预测步骤如下[9]:(1)对历史负荷数据进行平滑处理和归一化处理,温度数据进行量化处理,形成训练样本集和验证样本集;(2)将训练样本集作为APSO 2SVM 预测模型的输入样本,用本文提出的APSO 算法寻优得到最优参数向量,将其赋给SVM ,再用样本数据对SVM 进行训练和测试;1321第9期刘　佳等:基于自适应粒子群支持向量机的短期电力负荷预测(3)用训练好的SVM 对未来某一时刻的负荷进行预测・4　算例分析为了验证本文所提出的基于自适应粒子群参数优化支持向量机预测模型的预测性能,本文以某电网2003年7月4日至7月10日(期间正常工作日)的历史负荷数据及相应的气象数据作为实验数据,预测2003年7月11日的相应时刻点的负荷值・在使用本文提出的算法对算例进行仿真中,C 的取值范围为[0.001,100],ε的取值范围为[0,0.8],σ的取值范围为[0.001,5],种群规模m =20,最大进化代数T max =200,D max =0125,D min =01001,p m =0101,p c =016,c 1=c 2=2・为便于比较,本文使用传统的SVM 算法[10]与本文提出的APSO 2SVM 算法分别对算例进行仿真,所得结果如图1所示・图1为APSO 2SVM 方法与传统SVM 方法的预测结果与实际值的比较・图1　两种方法预测值与实际值比较图Fig.1　Comparison between forecast re sults by twomethods and measured load仿真结果显示,常规SVM 方法的平均绝对值相对误差为21193%,APSO 2SVM 方法为11319%,比常规SVM 方法的平均绝对值相对误差降低了01874%・可见,基于自适应粒子群支持向量机预测方法的预测精度要优于传统的支持向量机预测方法,而且对每个点的预测模型,训练时间都在2s 左右,速度较快・5　结论本文针对粒子群优化算法的早熟收敛问题,提出了新的自适应粒子群优化算法,该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法中引入了速度变异因子和位置交换因子,提高了其全局搜索能力・将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化・对某电网的实际算例仿真分析表明,本文提出的基于APSO 2SVM 方法的预测精度明显优于传统的SVM 方法,且速度较快,因此,本文提出的算法用于短期电力负荷预测是有效可行的・参考文献:[1]Khotanzad A ,Zhou E W ,Elragal H.A neuron 2fuzzy approach to short 2term load forecasting in a price 2sensitive environment [J ].I EEE T ransactions on Power S ystems ,2002,17(4):1273-1282.[2]Mohan A L ,Kumar S M.Artificial neural network 2based peak load forecasting using conjugate gradient methods [J ].I EEE T ransactions on Power Systems ,2002,17(3):907-912.[3]Taylr J W ,Buizza R.Neural network load forecasting with weather ensemble predictions [J ].I EEE T ransactions onPower S ystems ,2002,17(3):626-632.[4]Vapnik V N.The nature of statistical learning theory[M ].New Y ork :Springer ,1995.[5]Vapnik V N ,G olowich S E ,Smola A J.Support vector machine for function approximation ,regression estimation and signal procession [J ].A dvanced Neural Inf ormationProcession S ystem ,1996,21(9):281-287.[6]Shi Y ,Eberhart R C.Empirical study of particle swarm optimization [C ]∥Proceedings of the 1999Congress on Evolutionary Computition.Washington ,1999:1945-1950.[7]Krink T ,Vesterstroem J S ,Riget J.Particle swarmoptimization with spatial particle extension[C]∥Proceedings of the IEEE Congress on Evolutionary Computation.Hawaii :IEEE Press ,2002:1474-1479.[8]Miranda V ,Fonseca N.EPSO 2best 2of 2tow 2worlds meta 2heuristic applied to power system problems[C]∥Proceedings of the IEEE Congress on Evolutionary Computation.Hawaii :IEEE Press ,2002:1080-1085.[9]赵登福,王蒙,张讲社・基于支持向量机方法的短期负荷预测[J ]・中国工程电机学报,2002,22(4):26-30・(Zhao Deng 2fu ,Wang Meng ,Zhang Jiang 2she.A supportvector machine approach for short term load forecasting[J ].Proceedi ngs of the CS EE ,2002,22(4):26-30.)[10]Zhang M G.Short 2term load forecasting based on support vector machines regression [C ]∥Proceedings of the Fourth InternationalConferenceonMachineLearningandCybernetics.Guangzhou ,2005:4310-4314.2321东北大学学报(自然科学版) 第28卷。

浅谈CA-SVM 模型应用于电力短期负荷预测

浅谈CA-SVM 模型应用于电力短期负荷预测摘要：本文提出基于CA-SVM 的电力短期负荷预测模型。

以误差平方和最小为准则建立目标函数，基于文化算法的全局寻优能力，对支持向量机的核参数和惩罚参数进行优化选择，并利用支持向量机对电力短期负荷进行预测，大大提高电力负荷预测精度。

关键词：CA-SVM 模型短期负荷预测文化算法1．支持向量回归机支持向量回归机基本思想是基于Mercer 定理，通过适当的非线性变换将输入空间变换到一个高维特征空间,把在这个特征空间中寻找线性回归最优超平面归结为求解凸规划问题，并求得全局最优解。

设样本集为为输入向量，为输出。

当样本集满足线性关系时，问题归结为以下优化问题：当数据集不能实现线性回归时，将原数据集通过一非线性影射，影射到高维特征空间，在高维特征空间中进行线性回归。

高维特征空间上的内积运算可定义为核函数:，只需对变量在原低维空间进行核函数运算即可，则此时约束表达式为2. 文化算法2.1 文化算法思想框架文化算法是从进化种群中获得求解问题的知识(即信念),并将这些知识用于指导搜索过程。

这种基于知识机制的引入能在进化过程中提取有用的信息,使种群以一定的速度进化和适应环境。

首先在种群空间中个体按一定准则进化，根据进化情况通过接受函数accept()提取优秀个体信息，update()用于更新信念空间，而影响函数influence()根据提取的信念知识指导种群的进化，种群空间与信念空间相互联系。

generate()是群体操作函数使个体得到进化；objective()是目标函数；select()是从个体中选择部分个体作为父辈。

2.2 文化算法流程设计（1）信念空间结构本文采用S ,N作为信念空间的结构，其中为形式知识，表示最优个体的集合，表示第t 代种群中第i 个最优个体，m为最优个体集合的规模；为规范知识，表示每个变量的取值区间信息，表示为( I , L ,U ), n为变量数目。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

毕业设计（论文）题目基于支持向量机的电力短期负荷预测基于支持向量机的短期电力负荷预测摘要短期负荷预测是电力系统安全调度、经济运行的重要依据，负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。

因此，寻求合适的负荷预测方法最大限度的提高预测精度具有重要的应用价值。

论文首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。

LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。

对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。

实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。

关键词：短期负荷预测，支持向量机，最小二乘支持向量机，粒子群优化，参数选取AbstractShort-term load forecasting is important basis of safely assigning and economically running. The forecasting precision will directly affect the reliability, economy running and supplying power quality of power system. So finding an appropriate load forecasting method to improve the accuracy of precision has important application value.Paper first expounds the recent application research of load forecasting, summarized the characteristics of load forecasting and influencing factors, summed up common methods of short-term load forecasting, and analyzed the advantages and disadvantages of each method; then introduced statistical learning theory and the principle of SVM as the basis of support vector machine (SVM ) theory, SVM regression model is derived; this paper adopted least squares support vector machine (LSSVM) model, according to the historical load data and meteorological data of a certain area of Zhejiang Taizhou, Analysised the various factors affecting the forecast, summed up the regularity of load change , amended "outliers" in the historical load data,the load forecasting factors to be considered were normalized. The two parameters of LSSVM have a significant impact on the model, but it is still soluted based on the experience currently. So, this paper adopted particle swarm optimization algorithm to optimized the model parameters, make the test set error as the judgments, realized the optimization of model parameters, maked prediction accuracy improved. Practical examples show that convergence of prediction method was pefect, had a higher prediction accuracy and fast training speed.Key words:Short-term Load Forecasting, Support Vector Machines, Least Square Support Vector Machines, Panicle Swarm Optimization, Parameter Selection目录第1章绪论 (1)1.1 负荷预测研究的背景和意义 (1)1.2 国内外研究和应用现状 (2)1.2.1 短期负荷预测的国内外研究现状 (2)1.2.2 负荷预测的常用方法 (2)1.3支持向量机在短期负荷预测中的应用情况以及存在的问题 (4)1.4 本文的主要工作 (6)第2章支持向量机和改进粒子群参数优化 (7)2.1支持向量机的理论概述 (7)2.2支持向量机回归原理 (7)2.2.1结构风险最小化原则 (7)2.2.2支持向量机回归原理 (9)2.2.3.最小二乘支持向量机 (12)2.3粒子群参数优化的理论概述 (13)2.3.1 标准粒子群参数优化原理 (13)2.3.2 改进粒子群优化理论 (14)第3章基于粒子群寻优的支持向量机模型的建立 (16)3.1 电力负荷特性分析 (16)3.1.1 短期负荷特性 (16)3.1.2 典型负荷分量分析 (17)3.2 数据的预处理过程 (19)3.2.1 负荷数据的预处理 (19)3.2.2 输入变量及样本的选取与样本的归一化处理 (21)3.3核函数的选择 (22)3.4 模型参数的确定 (23)3.5支持向量机模型的建立 (24)3.5.1负荷预测步骤及流程 (24)3.5.2误差评价指标 (25)第4章基于最小二乘支持向量机的短期负荷预测的实例分析 (27)4.1最小二乘支持向量机模型预测 (27)4.1.1参数的分析与设置 (27)4.1.2仿真研究及分析 (28)4.1.3算法存在的缺陷与对策 (29)4.2 标准粒子群支持向量机模型预测 (29)4.2.1参数的分析与设置 (30)4.2.2仿真研究及分析 (30)4.2.3 算法存在的缺陷与对策 (31)4.3 改进粒子群支持向量机模型预测 (32)4.3.1参数的分析与设置 (32)4.3.2 仿真研究及分析 (33)4.3.3 总结分析 (35)第5章总结及展望 (36)5.1 总结 (36)5.2 展望 (37)致谢 (38)参考文献 (39)第1章绪论1.1 负荷预测研究的背景和意义电力系统是由电力网和电力用户组成，其任务是给广大用户不间断地提供优质电能，满足各类负荷的需求。

由于电能的生产、输送、分配和消费是同时完成的，难以大量储存，这就要求系统发电出力随时紧跟系统负荷的变化以达到动态平衡，否则就会影响供用电的质量，重则危及电力系统的安全与稳定。

因此，电力系统负荷预测已成为电力系统中的一项重要课题，也是电力系统自动化领域中的一项重要内容。

电力负荷预测就是在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套系统地处理过去和未来负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值【1】。

对于发电公司，负荷预测是制定发电计划、机组检修计划以及报价的依据。

对于供电公司，负荷预测是制定购电计划的主要依据。

对于输电公司，负荷预测是进行电网规划及保证系统安全、可靠、经济运行的基础。

因此，电力负荷预测精度的高低直接关乎电力企业的经济效益【2】。

电力负荷预测按时间期限通常分为长期、中期、短期和超短期负荷预测。

短期负荷预测是指一年以内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，主要用于电力系统的调度【3】。

准确的短期负荷预测结果有利于做出适当的计划电力交易量，提出恰当的运行计划和竞标策略，也有利于用电计划的管理，节煤、节油和降低发电成本，制订合理的电源建设规划，提高电力系统的经济效益和社会效益【4-5】。

1.2 国内外研究和应用现状1.2.1 短期负荷预测的国内外研究现状短期预测技术的发展是从离线分析到在线应用逐步发展的过程，也是从过分依赖于调度员的运行经验到自动化、智能化逐步转变的过程，短期负荷预测技术的发展大体经历了三个阶段。

（1）早期的短期负荷预测完全依赖于调度员的运行经验，没有科学的理论做指导。

（2）二十世纪六、七十年代到八十年代末，是使用传统预测技术的阶段，典型的算法有趋势外推法、回归分析法、时间序列法、卡尔曼滤波法和灰色系统理论法。

（3）二十世纪九十年代初期开始，人工智能技术(如人工神经网络、模糊推理等)逐渐被用到短期负荷预测中，人工智能技术主要用来解决非线性问题和不确定性问题，和传统预测方法相比，人工智能预测方法在预测过程中考虑了各种不确定因素(如天气因素、季节因素、人工经验等)，在实际的负荷预测过程中确实能够提高预测精度。

1.2.2 负荷预测的常用方法目前，国内外关于短期负荷预测研究的论文很多，所采用的预测方法基本可以分为两类：即传统预测方法和人工智能方法。

a.传统预测方法（1）趋势外推法—按照负荷的变化趋势，对未来负荷情况做出判定。

此方法计算简单，方法实用性较强，比较适用于短期负荷预测中【1】。

（2）回归分析法—根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测【6】。

由于天气变量与负荷之间不是简单的线性关系，回归算法对这种动态的、非线性的关系无法处理，它只是预测出一个平均值，非线性回归算法也只是通过代换将非线性关系转化为线性关系，加之运算复杂，因而不是理想的预测方法。