基于SVR的短期電力負荷預測

王寶成

（永城職業學院，河南 永城 476600）

1 支持向量機在短期電力負荷預測中的應用

鑒于支持向量機比其他預測方法的優越性，目前越來越多的研究人員把支持向量機應用到電力負荷預測當中。而實際上電力負荷預測就是從以往的歷史負荷數據中得出一定的規律得到一個模型（數學表達式）利用這個模型對未來數據進行預測。

2 數據處理

（1）缺失負荷數據的修補。如果某一天的數據出現大量缺失或不良數據，這一天就可以認為是數據缺失，對于缺失數據的處理通常可以利用相鄰幾天的正常數據進行補遺。由于不同日類型的負荷數據差距較大，因此修補數據時一定要采用相同日期類型的數據，并采取近大遠小的權值進行加權處理：

式中是第d天第t小時的負荷值，x(d,t)為與第d天具有相同日期類型且距離該天最近的兩個t時刻的負荷值，wi{i=1,2}為權值，有w1>w2,w1+w2=1。這里取得是距離該天最近的兩個相似日的對應負荷。

（2）數據的垂直處理。在歷史負荷序列中，由于隨機因素的影響，負荷會在一天內某段時間產生同于以往運行方式的異常負荷點，我們稱之為異點。這些異點摻入到正常的負荷序列中，會使負荷序列的整體噪聲很大，降低了負荷曲線的相似性，增加了其不可預測性。因此，必須進行異點數據剔除與負荷曲線的平滑處理。

（3）數據的水平處理。在對歷史負荷數據進行了縱向的垂直過濾處理過之后，突變量很大的負荷點得到了一定的平滑處理。在進行分析數據時，將前后兩個小時的負荷數據作為基準，設定待處理數據的最大變動范圍為閥值θ(t)，當待處理數據超過這個范圍就視為不良數據，采用平均值的方法平穩其變化。

（4）樣本的特征選擇。對于樣本集{（x1,y1)}，輸出y1為d天t時刻的負荷值L(d,t),輸入向量x1應包含對該負荷值有較大影響的因素，也就是輸入特征。我們就是要從大量特征中選擇影響負荷值較大的特征。本文做了以下特征的選取：

日期信息：從前面的電力負荷特點分析看到負荷具有按月、周、日周期變化的特點。故在輸入特征中包含這些日期信息能比較好的體現影響負荷變化的部分因素。

歷史負荷數據：比如說L為要預測的某日某時的負荷值，則預測日前幾天同一時刻、前一時刻和后一時刻的負荷，預測日前一個星期同一時刻、前一時刻和后一時刻的負荷都與預測日的負荷值有很密切的關系，所以也做為特征輸入。

3 選擇算法訓練SVM

通過使用了Chang Chichung和Lin Chihjen在2001年提出了LIBSVM算法,該算法借鑒了其他方法的優點，給出了一個工作集的確定方法，相對普通的優化問題數值求解方法占用更少的內存，而且在精度和速度上有更大的優越性。其主要思想如下：式（3-17）是一個求解最大值問題，對目標函數求相反數而保留約束條件，可再次將其轉化為求解最小值問題，為了簡便起見，將此最小值問題歸納為如下形式：

求解問題的難點在于本數較多時，Q陣規模較大且不是稀疏矩陣,LIBSVM分解算法的主要步驟如下:

（1）用q≤l作為工作集的維數,α1作為問題的初值k=1。

（2）如果 αk是(4-21)的最優解，停止計算；否則,確定一個維數為q的工作集B ∩{1,...l），定義N={1,...l}B，并定義和分別為αk中對應B和N的子向量。

（3）解變量為αB的下述優化問題

定義

并選取工作集B={i,j}，取B中的元素個數為2而不是其它數值，是因為這樣使之成為典型的二次優化問題。

4 結語

SVR具有解析解,相對普通的優化問題數值求解方法有更少的內存占用，且在精度和速度上有更大的優越性。Chang Chichung和Lin Chihjen在LIBSVM算法的基礎上用C++實現了一個LIBSVM庫，可以在MATLAB界面上實現負荷預測的訓練，預測，是很方便的SVM負荷預測的工。

[1] 方瑞明.支持向量機理論及其應用分析[TP].北京：中國電力出版社，2007.

[2] 牛東曉.電力負荷預測技術及其應用[M].北京：中國電力出版社，1998.

[3] 肖國泉，王春，張福偉.電力負荷預測[M].北京：中國電力出版社，2001.