野草算法和支持向量機相融合的短期負荷預測

摘 要： 短期負荷受到天氣、季節的綜合影響，具有一定的混沌性，為了準確描述短期負荷的變化趨勢，以提高預測精度，提出一種野草算法和支持向量機相融合的短期負荷預測模型（WA?SVM）。首先收集大量的短期負荷歷史數據，并對它們進行混沌分析和處理，建立支持向量機的訓練和測試樣本集；然后采用支持向量機建立短期負荷預測模型，并通過野草算法找到支持向量機最優參數；最后采用短期負荷預測仿真對比實驗測試其性能。結果表明，WA?SVM獲得了比其他模型更高的短期負荷預測精度，為短期負荷建模與預測提供了一種新的研究方法。

關鍵詞： 電力系統； 短期負荷； 野草算法； 相空間重構

中圖分類號： TN915?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）19?0099?03

Abstract： The short?term load has the chaos characteristic due to the comprehensive influence of weather and seasons. In order 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 algorithm 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.

Keywords： electric power system； short?term load； weed algorithm； phase space reconstruction

0 引 言

隨著經濟不斷發展，電力系統在許多領域越來越重要，為了準確、有效地管理電力系統，電力負荷是其中一種重要手段。負荷預測是對歷史數據進行分析，找到負荷變化趨勢，以便于對電力系統進行相應的管理，短期負荷預測的實際應用性強，因此提高短期負荷預測的精度已成為電力系統研究中的一個熱點問題[1]。

當前短期負荷預測模型劃分為線性模型和非線性模型[2]。線性模型假設短期負荷呈線性趨勢變化，主要采用時間序列方法[3?4]，其易實現、結果解釋性好。但負荷受到多種因素影響，變化十分復雜，具有時變性、非線性，時間序列方法無法捕捉到負荷數據隱含的變化趨勢，預測結果不理想[5]。非線性模型有神經網絡、支持向量機（Support Vector Machine，SVM）等，相對于線性模型，它們可以更好地擬合短期負荷變化特征，獲得更高的短期負荷預測精度[6?7]。但在短期負荷的建模與預測中，非線性模型同樣有不足，如神經網絡存在收斂速度慢、過擬合[8]；SVM參數直接影響到短期負荷預測精度[9]，為了獲得更優的SVM參數，當前采用網格搜索法、遺傳算法等進行SVM參數尋優，但在實際應用過程中，網格搜索法執行時間長、遺傳算法尋優結果不穩定[10]。同時短期負荷具有一定的混沌性，建模時需要對數據進行混沌分析和處理[11]。

為了準確描述短期負荷變化趨勢，以提高預測精度，提出一種野草算法和支持向量機相融合的短期負荷預測模型（WA?SVM）。首先對短期負荷歷史數據進行混沌分析和處理，然后采用野草算法和支持向量機建立短期負荷預測模型，最后進行短期負荷預測仿真實驗，對模型預測性能進行驗證。

1 支持向量機和野草算法

4 結 語

短期負荷具有不確定性與復雜性，為了獲得更高精度的短期負荷預測結果，提出一種WA?SVM的短期負荷預測模型，并與其他模型進行了對比分析，測試了WA?SVM進行短期電力負荷預測的有效性和優越性，結果表明，WA?SVM準確地描述了短期負荷變化趨勢，獲得了比對比模型更優的短期負荷預測的結果，而且訓練時間更少，在電力管理領域中具有廣泛的應用前景。

參考文獻

[1] 魏偉，牛東曉，常征.負荷預測技術的新進展[J].華北電力大學學報，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] 劉晶，朱鋒峰，林輝，等.基于相似日負荷修正算法的短期負荷預測[J].計算機工程與設計，2010，31（6）：1279?1282.

[4] 王繼選，劉小貞，韓中合.基于多約束條件的電力負荷預測模型的研究[J].華東電力，2013，41（3）：643?645.

[5] 王勇，黃國興，彭道剛.帶反饋的多元線性回歸法在電力負荷預測中的應用[J].計算機應用與軟件，2008，25（1）：83?84.

[6] 郭新辰，王雪峰，馮英浚.采用神經網絡進行電力系統短期負荷預測的一種降維方法[J].華北電力學院學報，2002，22（2）：24?28.

[7] 程玉桂，黎明，林明玉.基于遺傳算法和BP神經網絡的城區中長期電力負荷預測與分析[J].計算機應用，2010，30（1）：224?226.

[8] 翟永杰，周倩，韓璞.EMD?ISMO算法在電力負荷預測中的應用[J].系統仿真學報，2010，22（12）：2858?2861.

[9] 楊延西，劉丁.基于小波變換和最小二乘支持向量機的短期電力負荷預測閉[J].電網技術，2005，29（13）：60?64.

[10] 姜惠蘭，劉曉津，關穎，等.基于硬C均值聚類算法和支持向量機的電力系統短期負荷預測[J].電網技術，2006，30（8）：81?85.

[11] 權先珍，蔣傳文，張勇傳.電力負荷的混沌預測方法[J].華中理工大學學報，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，孫才新，張曉星，等.以神經網絡與模糊邏輯互補的電力系統短期負荷預測模型及方法[[J].電工技術學報，2004，19（10）：53?58.