基于支持向量機(jī)的有序用電負(fù)荷預(yù)測(cè)

鄭建柏

（國網(wǎng)廈門供電公司 福建廈門 361000）

基于支持向量機(jī)的有序用電負(fù)荷預(yù)測(cè)

鄭建柏

（國網(wǎng)廈門供電公司 福建廈門 361000）

供電企業(yè)在迎峰度夏期間，面臨局部地區(qū)負(fù)荷超過允許范圍，為了更好的組織有序用電，必須對(duì)重點(diǎn)大用戶的負(fù)荷進(jìn)行預(yù)測(cè)。支持向量機(jī)作為一種針對(duì)有限樣本具有良好效果的學(xué)習(xí)方法，本文建立了一種基于支持向量機(jī)的負(fù)荷預(yù)測(cè)模型，該預(yù)測(cè)模型用廈門供電公司重點(diǎn)用戶的負(fù)荷數(shù)據(jù)進(jìn)行測(cè)試和分析，結(jié)果表明預(yù)測(cè)結(jié)果準(zhǔn)確率較高。

支持向量機(jī)；有序用電；負(fù)荷預(yù)測(cè)

1 引言

在迎峰度夏期間，供電企業(yè)經(jīng)常面臨局部地區(qū)電力供應(yīng)不足，必須開展有序用電工作，對(duì)于供電企業(yè)來說，短期內(nèi)用戶的負(fù)荷情況是制定有序用電方案的重要依據(jù)。為了讓有序用電方案科學(xué)合理，在供電緊張時(shí)盡可能少的影響用戶的正常用電，需要盡可能準(zhǔn)確的用戶負(fù)荷預(yù)測(cè)數(shù)據(jù)。

用戶負(fù)荷預(yù)測(cè)就是在充分考慮用戶的生產(chǎn)情況、自然條件與社會(huì)條件的情況下，研究或利用一套系統(tǒng)的處理過去和未來負(fù)荷的數(shù)據(jù)方法，在滿足一定精度的意義要求下，確定未來特定時(shí)刻的負(fù)荷值。負(fù)荷預(yù)測(cè)經(jīng)歷了從依賴調(diào)度員的經(jīng)驗(yàn)到自動(dòng)化、智能化轉(zhuǎn)變的過程，近年來的人工智能技術(shù)被引入了負(fù)荷預(yù)測(cè)領(lǐng)域，雖然與傳統(tǒng)的負(fù)荷預(yù)測(cè)方法比提高了預(yù)測(cè)準(zhǔn)確率，但由于負(fù)荷預(yù)測(cè)的復(fù)雜性，預(yù)測(cè)的結(jié)果在應(yīng)用中往往無法滿足實(shí)際生產(chǎn)需要。

支持向量機(jī)是一種以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，針對(duì)有限樣本的一種通用學(xué)習(xí)方法，能有效解決小樣本、高維數(shù)、非線性等問題，并克服了人工神經(jīng)網(wǎng)絡(luò)存在局部最優(yōu)等缺點(diǎn)，大大提高了學(xué)習(xí)方法的泛函能力。鑒于SVM能在訓(xùn)練樣本很少的情況下很好地達(dá)到分類推廣的目的。

本文根據(jù)有序用電工作中對(duì)負(fù)荷預(yù)測(cè)的需要，建立了一種基于支持向量機(jī)的負(fù)荷預(yù)測(cè)模型模型，并用廈門供電公司重點(diǎn)用戶的負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證分析，新的模型取得了令人滿意的效果。

2 支持向量機(jī)

支持向量機(jī)是Vapnik等根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，最初是用來解決模式識(shí)別的問題[2]。支持向量機(jī)用于模式識(shí)別的基本思想是構(gòu)造一個(gè)超平面作為決策平面，使兩類模式之間的間距最大[3]。

對(duì)于線性可分的訓(xùn)練樣本：（xi，yi），xi∈Rn，yi∈{+1，-1}，i=1，…，n，我們的目的就是構(gòu)造最優(yōu)分類超平面使得這兩類樣本完全分開，如圖1所示。

圖1 SVM線最優(yōu)分類面

最優(yōu)分類方程為：x·w+b=0。為此需求解下面的二次規(guī)劃問題：

實(shí)際上，使分類間隔最大就是對(duì)推廣能力的控制，這是SVM的核心思想之一。求解最優(yōu)分類面問題實(shí)際上就是利用Lagrange優(yōu)化方法轉(zhuǎn)化為對(duì)偶問題，即：

最終得到?jīng)Q策函數(shù)是：

對(duì)于非線性可分的情況還可以采用核函數(shù)的方法，通過核函數(shù)映射使之轉(zhuǎn)化為一個(gè)在高維特征空間中構(gòu)造線性分類超平面的問題。支持向量機(jī)的非線性分類決策函數(shù)表示為：

3 基于支持向量機(jī)的負(fù)荷預(yù)測(cè)模型

支持向量機(jī)已被證明在小樣本情況下具有突出的表現(xiàn)，也已經(jīng)開始應(yīng)用于多個(gè)分類領(lǐng)域。因此考慮引進(jìn)支持向量機(jī)來建立預(yù)測(cè)模型，解決某些類別因樣本較少而誤判的問題。

支持向量機(jī)（SVM）預(yù)測(cè)模型的基本思想是，已知類別Ci、Cj的樣本較少，將類別Ci、Cj對(duì)應(yīng)的樣本作為支持向量機(jī)的訓(xùn)練樣本，通過支持向量機(jī)模型對(duì)樣本的學(xué)習(xí)，得到最優(yōu)的參數(shù)。通過支持向量機(jī)預(yù)測(cè)模型的分類，對(duì)未知的情況進(jìn)行分類預(yù)測(cè)，由此得到該信息的確切分類。

4 預(yù)測(cè)模型在有序用電短期負(fù)荷預(yù)測(cè)的應(yīng)用

在有序用電中，大用戶的負(fù)荷情況對(duì)整體負(fù)荷影響最大，因此重點(diǎn)關(guān)注大用戶的負(fù)荷走勢(shì)，尤其是每天負(fù)荷高峰期（上午11點(diǎn)和下午14點(diǎn)）的負(fù)荷極值是否超過允許的最大負(fù)荷。廈門供電公司自從2011年實(shí)現(xiàn)專變用戶用電信息采集的“全覆蓋、全采集”，每天96個(gè)負(fù)荷值的采集，為組合模型的訓(xùn)練學(xué)習(xí)提供了完整的數(shù)據(jù)。

選取廈門供電公司負(fù)荷最高的前50戶，利用2012～2014年三年間夏季負(fù)荷最高的一個(gè)月，每天96點(diǎn)負(fù)荷數(shù)據(jù)和每天的氣象數(shù)據(jù)。經(jīng)過數(shù)據(jù)清洗，保留有效數(shù)據(jù)共1280條，將這些數(shù)據(jù)作為訓(xùn)練樣本。在模型中經(jīng)過參數(shù)優(yōu)化，得到修正后的預(yù)測(cè)模型。

在2015年的有序用電期間，將廈門供電公司負(fù)荷最高50戶的用電數(shù)據(jù)、氣象數(shù)據(jù)輸入組合預(yù)測(cè)模型，重點(diǎn)預(yù)測(cè)明日負(fù)荷與今日負(fù)荷的對(duì)比情況，分為“高、低、平”三類進(jìn)行分類預(yù)測(cè)，預(yù)測(cè)結(jié)果準(zhǔn)確率達(dá)到98%，而且預(yù)測(cè)速度在10s以內(nèi)。實(shí)驗(yàn)結(jié)果表明，利用支持向量機(jī)模型進(jìn)行有序用電短期負(fù)荷預(yù)測(cè)是可行和實(shí)用的。

5 結(jié)論

本文針對(duì)有序用電工作中對(duì)短期負(fù)荷預(yù)測(cè)的需求，用支持向量機(jī)分類器建立預(yù)測(cè)模型，解決了其在小樣本情況下分類效果不好的問題。通過運(yùn)用支持向量機(jī)預(yù)測(cè)模型對(duì)用戶用電負(fù)荷進(jìn)行診斷，收到了令人滿意的診斷效果，表明了該方法的有效性和實(shí)用性。

[1]朱永利，吳立增，李雪玉.貝葉斯分類器與粗糙集相結(jié)合的變壓器綜合故障診斷[J].電機(jī)工程學(xué)報(bào)，2005，25（10）：159～165.

[2]翟永杰.基于支持向量機(jī)的故障智能診斷方法研究：[D].保定：華北電力大學(xué)，2004.

[3]鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī).北京：科學(xué)出版社，2004，6：389～417.

TM715

A

1004-7344（2016）29-0078-01

2016-10-4