野草算法和支持向量机相融合的短期负荷预测

野草算法和支持向量机相融合的短期负荷预测
王喆;杨华春
【摘要】短期负荷受到天气、季节的综合影响，具有一定的混沌性，为了准确描述短期负荷的变化趋势，以提高预测精度，提出一种野草算法和支持向量机相融合的短期负荷预测模型（WA⁃SVM）。

首先收集大量的短期负荷历史数据，并对它们进行混沌分析和处理，建立支持向量机的训练和测试样本集；然后采用支持向量机建立短期负荷预测模型，并通过野草算法找到支持向量机最优参数；最后采用短期负荷预测仿真对比实验测试其性能。

结果表明，WA⁃SVM获得了比其他模型更高的短期负荷预测精度，为短期负荷建模与预测提供了一种新的研究方法。

%The short⁃term load has the chaos characteristic due to the comprehensive influence of weather and seasons. In or⁃der to describe the change trend of short⁃load accurately and improve the prediction accuracy,a short⁃term load forecasting model fusing weed algorithm with support vector machine(WA⁃SVM)is proposed. A large number of short⁃term load historical data is collected,and performed with the chaotic analysis and processing to establish the training and testing data sets of support vector machine. And then the support vector machine is used to establish the short⁃term load forecasting model,and the weed algo⁃rithm is used to find out the optimal parameters of support vector machine. The performance of the short⁃term load forecasting was tested with simulation contrast experiment. The results show that the short⁃term load forecasting accuracy of WA⁃SVM model is higher than that of other models,and this model
provides a new research method for short term load modeling and forecasting.
【期刊名称】《现代电子技术》
【年(卷),期】2016(039)019
【总页数】4页(P99-101,106)
【关键词】电力系统;短期负荷;野草算法;相空间重构
【作者】王喆;杨华春
【作者单位】天津大学计算机科学与技术学院，天津 300134; 天津城市建设管理职业技术学院，天津 300134;天津理工大学聋人工学院，天津 300384
【正文语种】中文
【中图分类】TN915-34;TP391
随着经济不断发展，电力系统在许多领域越来越重要，为了准确、有效地管理电力系统，电力负荷是其中一种重要手段。

负荷预测是对历史数据进行分析，找到负荷变化趋势，以便于对电力系统进行相应的管理，短期负荷预测的实际应用性强，因此提高短期负荷预测的精度已成为电力系统研究中的一个热点问题［1］。

当前短期负荷预测模型划分为线性模型和非线性模型［2］。

线性模型假设短期负荷呈线性趋势变化，主要采用时间序列方法［3-4］，其易实现、结果解释性好。

但负荷受到多种因素影响，变化十分复杂，具有时变性、非线性，时间序列方法无法捕捉到负荷数据隐含的变化趋势，预测结果不理想［5］。

非线性模型有神经网络、支持向量机（Support Vector Machine，SVM）等，相对于线性模型，它们可以更好地拟合短期负荷变化特征，获得更高的短期负荷预测精度［6-7］。

但在
短期负荷的建模与预测中，非线性模型同样有不足，如神经网络存在收敛速度慢、过拟合［8］；SVM参数直接影响到短期负荷预测精度［9］，为了获得更优的SVM参数，当前采用网格搜索法、遗传算法等进行SVM参数寻优，但在实际应用过程中，网格搜索法执行时间长、遗传算法寻优结果不稳定［10］。

同时短期负荷具有一定的混沌性，建模时需要对数据进行混沌分析和处理［11］。

为了准确描述短期负荷变化趋势，以提高预测精度，提出一种野草算法和支持向量机相融合的短期负荷预测模型（WA-SVM）。

首先对短期负荷历史数据进行混沌分析和处理，然后采用野草算法和支持向量机建立短期负荷预测模型，最后进行短期负荷预测仿真实验，对模型预测性能进行验证。

1.1 支持向量机
对于训练集（xi,yi），采用支持向量机建立线性回归函数：
SVM回归优化目标为：
式中ei为支持向量机的回归误差。

采用拉格朗日乘子αi将式（2）转变为对偶优化问题，即有：
根据Mercer条件，核函数定义为：
根据相关研究，径向基核函数可获得更高的预测精度，具体为：
式中σ为宽度参数。

对于非线性回归问题，支持向量机的回归函数为：
从支持向量机工作过程可以发现，σ和C对其学习性能产生重要影响，采用野草算法对这些参数进行优化和选择。

1.2 野草算法
野草优化算法属于群智能优化算法［12］，模拟自然界中杂草群生存过程对问题进行求解［13］，工作步骤如下：
Step1：根据繁殖能力，全部野草均产生适应性种子，具体为：
式中：ωi表示种子个数；f（xi）表示种子的适应度值；smin和smax表示最小
和最大种子数。

Step2：种子服从N（0,σ）正态分布，σ的计算公式为：
式中itermax表示最大迭代次数。

Step3：如果达到最大种子数，根据适应度值对种子进行排序，由于适应度值越大，其生存能力就强，这样选择前Pmax个体，其他个体淘汰。

Step4：重复上述步骤，直到找到问题的最优解为止。

短期负荷的SVM参数寻优主要是获得更优的预测模型，提高短期负荷预测精度，满足短期负荷的实际应用要求，这样SVM参数优化的目标函数为：
式中yi和i表示短期负荷的真实值与预测值。

WA-SVM的短期负荷预测建模步骤如下：
Step1：收集短期负荷历史数据，为了挖掘出数据隐藏的信息，采用混沌理论对数据进行分析和重构，得到SVM训练和测试样本集。

Step2：初始野草算法参数，随机生成K个种子，每一种子均包括（C,σ），即SVM的一组参数。

Step3：采用每一组参数和训练集对SVM进行训练，计算种子的适应度值。

Step4：根据“优胜劣汰”机制，将适应度值大的种子添加到支持向量机参数解集中。

Step5：选最优 Pmax个种子进行繁殖，其余个体消失。

Step6：根据最优种子得到SVM的最优（C,σ），建立短期负荷预测模型。

3.1 短期负荷数据
收集200个短期负荷数据，数据如图1所示，采用VC++6.0编程实现短期负荷
预测算法，利用前150个样本作为WA-SVM短期负荷预测的训练集，后50个样本作为测试集。

短期负荷具有随机性、波动幅度大，为防止其对WA-SVM的短期负荷预测带来干扰，将短期负荷历史数据进行预处理，使它们处于［0，1］区间，具体为：
式中：x（i）和x′（i）为原始和处理后的短期负荷值；max（）和min（）为最大和最小的短期负荷值。

3.2 短期负荷数据的混沌处理
从图1的短期负荷数据变化特点可以发现，其具有混沌性，这样无法将负荷数据直接输入到SVM进行建模，需要进行混沌处理和重构，找到数据间的联系，采用自相关算法和虚假近邻算法估计短期负荷数据的延迟时间τ和嵌入维数m，它们的变化曲线结果如图2和图3所示。

由图2与图3可知，短期负荷数据的τ和m 最优值为5。

设支持向量机参数C和σ的范围为（0.1，10 000）和（0，10），采用重构负荷数据对SVM进行训练，WA算法找到C和σ的值为C=120.50，σ=1.248。

3.3 结果与分析
WA-SVM的短期负荷预测结果如图4所示。

从图4中可以发现，WA-SVM模型的预测值与短期负荷真实值很接近，这结果表明WA-SVM可以准确地对短期负荷变化趋势进行很好地拟合，是一种可行、精度高的短期负荷预测模型。

选择遗传算法优化SVM（GA-SVM）、粒子群算法优化SVM（PSO-SVM）进行短期负荷预测的对比分析，选择均方根误差eRMSE和相对平均误差eMAPE对结果优劣进行分析，具体为：
式中：yi和i分别为短期负荷的真实值和预测值；n表示短期负荷数据的测试样本数［13］。

各模型的预测结果见表1，相对于GA-SVM及PSOSVM，WA-SVM的短期负荷预测误差更小，获得了更低的eRMSE值和eMAPE值，提高了短期负荷的预测精度，而且具有十分明显的优势。

短期负荷具有不确定性与复杂性，为了获得更高精度的短期负荷预测结果，提出一种WA-SVM的短期负荷预测模型，并与其他模型进行了对比分析，测试了WA-SVM进行短期电力负荷预测的有效性和优越性，结果表明，WA-SVM准确地描
述了短期负荷变化趋势，获得了比对比模型更优的短期负荷预测的结果，而且训练时间更少，在电力管理领域中具有广泛的应用前景。

杨华春（1977—），女，硕士，讲师。

主要研究领域为计算机应用。

【相关文献】
［1］魏伟，牛东晓，常征.负荷预测技术的新进展［J］.华北电力大学学报，2002，29（1）：10-15.
［2］KELO S M，DUDUL S V.Short-term Maharashtra state electrical power load prediction with special emphasis on seasonal changes using a novel focused time lagged recurrent neural network based on time delay neural network model［J］.Expert systems with applications，2011，38（3）：1554-1564.
［3］刘晶，朱锋峰，林辉，等.基于相似日负荷修正算法的短期负荷预测［J］.计算机工程与设计，2010，31（6）：1279-1282.
［4］王继选，刘小贞，韩中合.基于多约束条件的电力负荷预测模型的研究［J］.华东电力，2013，41（3）：643-645.
［5］王勇，黄国兴，彭道刚.带反馈的多元线性回归法在电力负荷预测中的应用［J］.计算机应用
与软件，2008，25（1）：83-84.
［6］郭新辰，王雪峰，冯英浚.采用神经网络进行电力系统短期负荷预测的一种降维方法［J］.华
北电力学院学报，2002，22（2）：24-28.
［7］程玉桂，黎明，林明玉.基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析［J］.计算机应用，2010，30（1）：224-226.
［8］翟永杰，周倩，韩璞.EMD-ISMO算法在电力负荷预测中的应用［J］.系统仿真学报，2010，22（12）：2858-2861.
［9］杨延西，刘丁.基于小波变换和最小二乘支持向量机的短期电力负荷预测闭［J］.电网技术，2005，29（13）：60-64.
［10］姜惠兰，刘晓津，关颖，等.基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测［J］.电网技术，2006，30（8）：81-85.
［11］权先珍，蒋传文，张勇传.电力负荷的混沌预测方法［J］.华中理工大学学报，2000，28（7）：92-94.
［12］MEHRABIAN A R，LUCAS C.A novel numerical optimization algorithm inspired from weed colonization［J］.Ecological informatics，2006，1（3）：355-366.
［13］程其云，孙才新，张晓星，等.以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法［J］.电工技术学报，2004，19（10）：53-58.。