基于果蝇参数优化的LSSVM短期负荷预测_王惠中

Abstract ： In order to improve the accuracy of shortterm load forecasting in the electric power system， with respect to the nonlinear characteristics of shortterm load factors，the least squares support vector machine （ LSSVM ） is used to establish a shortterm load forecasting model． With respect to parameter optimization problems of traditional LSSVM in load forecasting，this paper presents the fruit fly parameter optimization algorithm for optimization of penalty parameter C and kernel function parameter σ． On the basis of an analysis of load data at 24 ： 00 every day in the period of 2014 － 6 － 1 to 2014 － 6 － 29 in an area of Zhejiang Province，a forecasting 2014． The simulation results show that shortterm load forecasting through LSSVM is made for the loads at each o'clock on June 30 ， based on fruit fly optimization algorithm is more accurate that traditional LSSVM and parameter optimization algorithm． Keywords： load forecasting； least squares support vector machines； parameter optimization； fruit fly optimization algorithm； particle swarm optimization
［8 ］
电力系统短期负荷预测是供电部门的重要工作之一
过准确的短期负荷预测可以经济合理地安排电网内各机组的启 停， 保持电网运行的安全稳定性； 降低不必要的旋转储备容量， 有 效地降低发电成本； 在保证正常用电的情况下合理安排机组检修 计划， 保证社会的正常生产和生活 。因此， 研究高精度、 高速度的 短期负荷预测方法， 对电力系统安全、 稳定、 经济、 可靠运行有着 重要意义。 负荷预测的核心问题是选用何种预测方法建立数学模型的 问题。由于负荷需求一直处于动态变化的状态， 易受日类型、 天 气状况、 温度、 湿度、 电价等非线性因素的影响， 因此， 选取一种适 应能力较强的预测方法， 并能综合考虑影响因子的作用， 成为短 2］通过引入人体舒适度指数选 期负荷预测的研究趋势 。 文献［ SVM 模型进行了日最大负荷预测， 取相似日， 采用 PSO预测结果 3］采用遗传算法的多目标优化算法 达到了较高的精度。 文献［
T …， 1 ] T ； Z = { φ [ x（ 1 ） ] ， …， 其 中 e = [ 1， φ[ x( m) ] } ； ρ = T [ y（ 1 ） ， …， y （ m ） ] T ； α = [ α1 ， …， αm ] 。
LSSVM in Shortterm Load Forecasting Based on Fruit Fly Optimization Algorithm
2 2 2 WANG Huizhong1， ，ZHOU Jia1， ，WANG Yuefeng3 ，LIU Ke1，
（ 1 ． College of Electrical and Information Engineering，Lanzhou University of Technology，Lanzhou Gansu 730050 ， China； 2 ． Gansu Key Laboratory for Advanced Control of Industrial Processes，Lanzhou Gansu 730050 ，China； 3 ． State Grid Zhuji Power Supply Co．，Zhuji Zhejiang 311800 ，China）
m T m
minf（ C， σ） =
∑（ y
i =1
i
－^ yi ）
2
s． t． C ∈ ［ C min ， C max］ σ ∈ ［ σ min ， σ max ］
（ 7）
y i 为第 i 个样本的模型 其中 y i 为第 i 个已知样本的输出值； ^ 可由式（ 5 ） 计算得到。 将定义域内的一组参数序列 预测输出值， （ C， σ） 作为 FOA 中果蝇的位置向量， 各个体的适应度函数取式 （ 7 ） 。果蝇具体的寻优过程如下： （ 1 ） 根据收集到的历史数据， 建立训练样本集和测试样本集。 （ 2 ） 设置参数， 随机初始化果蝇群体位置， 每个位置值对应
2
其中 α i 为 Lagrange 乘子。根据最优化条件 KKT： α i φ（ x i ） ω = ∑ i =1 m αi = 0 ∑ i =1 α i = Cξ i ω T φ（ x ） + b + ξ － y = 0 i i i 求得式（ 2 ） 的解为：
（ 3）
+ Y2 i
1 T 1 2 C ω ω+ ξi － 2 2 ∑ i =1
i
， m
∑α ［ω φ（ x ）
i i =1 m
+ b + ξi － yi ］
（ 2）
于 LSSVM 模型的一组参数（ C， σ） ， 根据参数的变化范围初始化 Y0 ） 。 得到初始坐标（ X0 ， 果蝇个体的初始位置， （ 3 ） 根据果蝇觅食行为， 对每个果蝇飞行的方向 η 和距离 Ｒ n 次迭代寻优后的果蝇群位置坐标为： 随机赋值， X n = X0 + Ｒ （ η － 0 ． 5 ） Y n = Y0 + Ｒ （ η － 0 ． 5 ） 0， 1］ 其中 η 为［ 的随机值； （ 4 ） 计算各果蝇个体与原点间的距离 D， 再引入味道浓度判 取值为果蝇位置到原点距离 D 的倒数： D i = 定值 S， Si = 1 / Di （ 5 ） 将 S 带入适应度函数， 计算各果蝇味道浓度： S mi = f（ S i ） Xi 槡
0
引
言
［1 ］
对神经网络的结构进行了优选， 提高了预测精度， 降低了计算成 。通 4］ 本。文献［ 建立了基于自适应惯性权重粒子群优化和最小二 乘支持向量机的组合短期负荷模型， 不仅加快了收敛速度， 而且 5］利用云计算技术对支持向量 不会轻易陷入局部最优 。 文献［ 机进行改进， 在避免了维数灾难的同时提高了预测精度与速度 。 经过长期的实践研究， 由统计学理论发展而来的支持向量机方法 以其解决小样本、 非线性等问题的突出优点， 在短期负荷预测中 有了较成功的应用。为进一步提高其预测精度， 学者们提出了多 LS － SVM［6 － 7］ 等对 SVM 种改进方法， 如采用 ε － SVM、 υ － SVM、 模型自身的改进； 先采用聚类
[ α] = [ e
b LSSVM 预测模型：
0
eT ZZ T +
（ 4）
（ 6 ） 找出群体中最佳味道浓度值 S best 及其对应的果蝇位置 Y best ） ， 坐标（ X best ， 此时果蝇群内各个体果蝇利用视觉往该位置飞 S best = maxS mi 去， 即向目标位置移动进行全局搜索， （ 7 ） 进入迭代寻优， Y best ） 成为 此时的果蝇群位置坐标（ X best ， 判断味道浓度是否优于前 新一次迭代寻优的果蝇群体初始位置， 一次迭代味道浓度， 若是， 则执行步骤（ 6 ） ， 迭代结束， 输出最优 参数（ C， σ） ； 若否， 则重新执行步骤（ 3 ～ 5 ） 。 （ 8 ） 利用最优参数（ C， LSSVM 预 σ ） 和训练样本建立 FOA测模型。
摘 要： 为了提高电力系统短期负荷预测的精度， 针对负荷影响因素的非线性特性， 采用最小二乘支持向量机（ LSSVM ） 建立短期负荷 预测模型； 针对传统 LSSVM 在负荷预测中存在的参数优选难题， 给出了果蝇参数优化算法来优选 LSSVM 的惩罚参数 C 和核 对 2014 － 6 － 30 日各整点负 函数参数 σ。通过对浙江省某地区 2014 － 6 － 1 至 2014 － 6 － 29 每天 24 点的负荷数据进行分析， 荷进行预测， 仿真结果表明， 与传统的 LSSVM 和参数优化算法相比， 基于果蝇优化算法的 LSSVM 短期负荷预测具有更高的 精度。 关键词： 负荷预测； 最小二乘支持向量机； 参数优化； 果蝇优化算法； 粒子群优化 DOI： 10． 3969 / j． issn． 1000 － 3886． 2015． 06． 019 ［ 中图分类号］ TM715 ［ 文献标志码］ A ［ 文章编号］ 1000 － 3886 （ 2015 ） 06 － 0060 － 03
定稿日期： 2014 － 04 － 23 基金项目： 甘肃省自然基金（ 1308ＲJZA117 ）
、 小波分析、 粗糙集等算法对输入
［10 － 11 ］ 、 果蝇优化算法 等对 SVM
向量进行处理， 再用 SVM 建立预测模型的组合预测方法； 采用遗 传算法、 蚁群算法、 粒子群算法 模型参数进行优化的方法等 。 本文通过引入果蝇参数优化算法， 对最小二乘支持向量机模 型的参数进行自动搜索和确定， 建立 FOA － LSSVM 预测模型， 并 采用浙江省某地区 2014 年 6 月份的负荷数据进行仿真验证， 取 得了比较满意的结果。