電力日負荷預測中FAPSO與SVM融合算法的應用

王明霞 李晉 劉偉

摘 要 現代電力系統中，通過預測電力日負荷，有效的調整自我運行，可以指導電網調度，提升電力運行整體的安全性。通過新算法的提出，使得電力日負荷更加準確，主要便是基于FAPSO與SVM兩種算法的融合，提出對應的計算模型，通過FAPSO的最優數值尋找能力，便于SVM尋找最優因子。因此，文中首先介紹了兩種計算方法，并且就兩種方法融合后提出了新的模型，望帶來借鑒。

【關鍵詞】電力日負荷預測 FAPSO與SVM 融合算法模型

在電網供電的日常管理中，通過現代計算方法預測電力系統的短時間負荷，使得電力供應的管理調整與優化更加富有依據。因此，在現階段供電系統的管理熱點中，很大一部分便是需要了解電力日負荷，并且針對其做出精準預測。伴隨著的時代的進步，各種計算方法也逐漸日趨統一，通過筆者的個人工作經驗，將FAPSO計算方法與SVM算法融合，進而形成了一種新的計算方法，并且通過該計算方法建立模型，通過模型的工作預測電力日負荷，以某市日負荷為例，做出精確分析。

1 FAPSO計算方法

FAPSO計算方法屬于一種快速計算方法，進而真正的落實到計算中，初始段需要比較大規模的搜索，并且由于整體搜索量過大，會帶來比較嚴重的慣性權重，而且相近的粒子也會存在差別較大的適應性；一旦當粒子可以選取在最優范圍內，便可以開展后續的精細搜索，而且不同的情況也會帶來不同的處理方法。當涉及到電力的日負荷預測時，便應該通過調整慣性權重的數值，使得粒子的自身適應性達到最強。具體的相鄰迭代過程之中，粒子的適應性變化勢必會引發能量的變化，并且對應的能量變化公式應該為：

Q=Oy（x+1）-O1（x）

在公式中，Oy（x+1）代表了粒子的具體數目為y，然后于x+1次迭代中出現了適應情況，并且x代表了具體的適應值。實際的日負荷計算中，調整能量變化值，然后其與慣性權重呈現了函數關系，進而表現了具體的額算數關系，使得FAPSO計算方法更為全面，而且適應性更強，進而滿足了日負荷預測的要求。

2 SVM算法

SVM算法又被稱為向量機回歸算法，通常首先確定自身的樣本集合，將具體的兩列數據分屬于各類樣本特征，并且根據具體的計算方法將樣本數入，并且在具體的集合中尋找最優值。在SVM算法中，同樣需要慣性權重的作用，并且需要在具體的表達式中體現對應的高維映射，進而通過計算得到自身的懲罰因子以及正規化部分，真正的將所有計算參數規定完成，方可以開展SVM算法，其中主要便是通過損失函數、懲罰因子以及松弛變量，便可以支持向量機回歸算法，而具體的表現為其對應的上下限。在本文的模型構建中，采用的是高斯模式，確定對應拉格朗日因子，得到最后的計算公式。SVM計算方法中主要包含了兩點的主要思想：其一便是分析了線性可分情況；其二便是一旦線性不可分，便可以使得其輸入低維空間的空間線性樣本向高維特種空間轉化，最后完成線性可分，使得任何狀況下線性條件都處于可分狀態。其通過不同的核心函數計算，也會存在自身的不同表達形式。將SVM計算方法簡化，便是其便是升維和線性化，也就是將低維空間的向上空間做映射，不過此種方法在實際計算中很少有人應用。但是一旦利用比較巧妙，便可以解決很多饞鬼中無法解決的問題。其改善了線性模型的，而且計算仍然比較簡便，避免了可能發生的“維數災難”，使得其應用領域更加廣闊。

3 基于FAPSO的SVM模型建立

3.1 算法基礎

在傳統的SVM計算方法中，其自身的各類重要參數主要便是核函數、損失函數以及懲罰因子。通過三項參數的確定，使得SVM整體模型更加精確。三項參數都表達了具體的模型復雜程度，在傳統中，確定三項參數使得模型建設工作比較困難，進而在模型建設中利用FAPSO的最優粒子尋找能力，降低SVM算法中模型尋找的能力，進而真正的優化模型建設過程。在電力日負荷預測中，在筆者的模型建設過程中，將某市的全日用電數據作為樣本輸入到SVM模型中，進而將SVM的三項重要參數作為FAPSO的例子，通過其尋找最優向量，然后建立預測回歸模型，最后得到FSPSO-SVM模型。實現模型中，具體的運算過程為：首先初始化兩方面參數，主要的便是FAPSO計算方法的各項參數，通過將各項參數得到確定，例如將迭代次數設置成為1000次；其次便是確定適應度的計算函數，通常會提出具體的計算函數表達式，將初始化其中所包含的各類數值都包含在內，并且通過計算方法得出粒子的適應值，根據對應的適應值推出局部最優解；然后便是挑選過程，主要便是在局部數值中間挑出最優數值，然后根據慣性權重的計算來推導下一顆粒子；最后便是判斷最優解是否為有效結果，如果不是則繼續測算。當最優解得到后，便可以根據最優解建立相應的模型，模型中只要的運算邏輯便是依靠SVM計算方法開展計算的，并且通過模型的運算，可以使得整點負荷都成為數值的表達形式，進而根據實際情況采取一些局部糾正。

3.2 分析結果

在探討電力日負荷預測中，根據某市的一日負荷作為樣本數據，城市的具體日期選擇完全按照隨機模式選取，當樣本數據輸入后，便可以根據算法來開展預測，并且通過FAPSO來尋找最優參數，進而可以開展預測。通過的預測結果的分析與論證，可以發現通過兩種計算方法的結合，使得傳統的計算方法得到了有效提升，并且真正的做到了優化，預測的結果也更加準確。

4 總結

總之，FAPSO算法比較適合SVM，通過其優秀的尋找能力幫助SVM快速定位，提升了自身的優化選擇性能，進而使得兩種算法更為有機的結合在一起。當結合后，文中將此種算法作為模型構建基礎，使得電力日負荷預測更加準確。文中見解尚顯淺薄，望做到拋磚引玉，引起有識之士的思考。

參考文獻

[1]趙堃，李曉婷，張昊.基于FAPSO與SVM融合算法的電力日負荷預測[J].華北電力技術，2015（9）：45-48.

[2]虞尚智.機器學習算法在短期電力負荷預測中的應用[J].科學技術與工程，2013， 13（8）：2231-2234.

[3]楊再鶴，向鐵元，鄭丹.基于小波變換和SVM算法的微電網短期負荷預測研究[J].現代電力，2014，31（3）：74-79.

作者單位

周口師范學院 河南省周口市 466000