基于魚群算法和支持向量機的微電網負荷預測

劉源

（大慶油田電力集團油田熱電廠，黑龍江省大慶市 163314）

基于魚群算法和支持向量機的微電網負荷預測

劉源

（大慶油田電力集團油田熱電廠，黑龍江省大慶市 163314）

為滿足微電網建設和分布式能源的發展，微電網的負荷預測是電網規劃和建設研究中的一個難點問題。由于微電網負荷不確定性和波動性強等特性，常規的負荷預測方法不能直接用于微電網負荷預測中，根據微電網的特點，考慮微電網負荷受到天氣因數和星期類型等影響，提出一種基于魚群算法和支持向量機算法結合的微電網負荷預測模型。方法中將魚群算法應用于支持向量機的參數尋優中。仿真實驗表明，與傳統的支持向量機微網負荷預測結果對比，其對微網負荷的預測結果具有更高的精度，滿足實際要求。

負荷預測；微電網；支持向量機；魚群算法

0 引言

微網短期負荷預測是微網優化運行和節能減排的基礎，預測精度直接影響微電網系統發供電計劃的編制、供電質量和電力市場交易等[1～2]。無論是對主電網的預測還是對微電網的預測，無論是應用傳統的預測理論還是應用現代的預測理論，其原理都是通過分析預測對象歷史負荷的變化規律，依據外界影響因數和時間的延伸性，預測下一時間段的負荷。從數學理論上講，建立負荷預測模型的過程就是建立數學函數，通過數學函數找出預測對象的變化規律，然后根據變化規律以及影響因數，對微電網負荷進行預測[3]。

傳統的電力系統進行短期負荷預測的方法主要是自滑動平均法和趨勢外推法等[4]。目前的預測方法主要以智能技術為依托，以神經網絡、小波分析和支持向量機為主。相比于傳統的電力系統負荷，微網的負荷更加不穩定，且隨機性和突變性比較強。當微電網電力系統處于復雜的外界因素中時，應用傳統單一的負荷預測方法不能滿足微電網短期負荷預測的要求，預測精度超出可接受范圍。而利用魚群算法優化支持向量機的組合預測方法對微網負荷預測不僅能消除單一預測方法的不足，而且能夠提高預測精度[5～7]。

1 支持向量機模型

支持向量機（SVM）由Vapnik首先提出，是基于統計學VC維理論和結構風險最小化原理的機器學習方法，像很多層感知器網絡和徑向基函數網絡一樣，支持向量機可以用于模式分類和非線性回歸。其應用于回歸擬合的主要思想是尋找到一個最優分類平面，使得所有訓練樣本離該最優分類平面的誤差最小[8～10]。其數學模型如下：

設訓練集樣本為：

高維空間中線性回歸函數為：

所有訓練數據在小于誤差ε的不敏感損失函數為：

C為懲罰因子，C越大對樣本懲罰越大，其對偶形式為：

則回歸函數為：

將非線性回歸問題映射到高維空間中，選取徑向基函數為核函數：

將核函數代入上式的內積（xi·x）中，則式（11）為：

2 魚群算法

人工魚群算法是李曉磊等人提出的基于動物群體行為的仿生優化算法。算法中模仿魚群對食物的覓食行為、追尾行為、聚群行為和隨機行為等在魚群視野范圍內進行尋優，是群體智能思想的一個應用[11～13]。

其行為活動如下：

1）覓食行為。

設人工魚當前位置為Xi，在其視野范圍內選擇一個位置為Xj，在求極大值問題中，如果Yi＜Yj，表示該地點食物量較多，則向該方向游動；反之，重新隨機選擇一個位置Xj，再次確認是否能向前游動。如此反復嘗試后，如果不能滿足游動條件，則隨機游動到下一個位置。

2）聚群行為。

設人工魚當前位置為Xi，搜所視野內同伴的數目n及視野內同伴的中心位置Xm，如果Ym/n＞δYi，δ為擁擠系數，說明伙伴中心的食物量較大，則向伙伴的中心位置游動一步；否則選擇覓食行為。

3）追尾行為。

設人工魚當前位置為Xi，搜尋視野內的魚群數目n及視野中食物量為最大的同伴Xj，如果Yj/n＞δYi，說明同伴Xj的位置食物量較高，則向同伴Xj的位置游動一步；否則選擇覓食行為。

4）隨機行為。

隨機行為是覓食行為的一個補充行為，就是在視野范圍內隨機選擇下一個人工魚的位置，即Xi的下一個位置Xnext為：

visual為人工魚的感知距離，r是-1到1區間的一個隨機數。

人工魚群算法流程如圖1所示：

3 魚群算法優化支持向量機

圖1 人工魚群算法流程圖Fig.1 Flow chart of artificial fish swarm algorithm

支持向量機參數的大小決定著預測精度和分類準確率的高低，所以，選取最優的支持向量機參數是一個關鍵的問題。相對于核函數為徑向基函數的支持向量機來說，參數選取包括懲罰系數C和核函數參數G，而核函數參數G的作用是對低維空間映射到高位空間的樣本數據分布的復雜度的度量，懲罰系數C的作用是控制模型的間隔最大化，調節特征空間中經驗風險的比例和學習機器的置信范圍。通過選取最佳的懲罰系數和核函數參數可以使模型的學習能力和泛華能力達到最好的要求，所以，模型的性能取決于這兩個參數的選擇。

人工魚群算法具有對初始值與參數選擇不敏感、魯棒性強，且擁有克服局部極值，取得全局極值，對搜索空間有一定的自適應能力，所以對SVM中的參數C和G進行尋優，尋找最佳的C和G使得SVM輸出最佳的結果。

利用魚群算法優化SVM參數的算法流程如圖2所示：

圖2 魚群算法優化SVMFig.2 Fish swarm optimization algorithm SVM

人工魚群算法的魚群數量為N=50，魚群視野范圍Visual=2，最大嘗試次數Number=50，最大遺傳代數為50代，人工魚移動步長為0.732，擁擠度因子為0.65。

支持向量機的模型采用臺灣大學林智仁教授開發的libsvm工具箱建立回歸模型，選取徑向基函數為核函數，懲罰參數C的取值范圍0.1到100，核函數參數G的取值范圍0.001到10。

魚群算法參數尋優過程如圖3所示：

從圖3可以看出支持向量機訓練模型輸出的目標函數在13代時趨于穩定，達到最優解。輸出最佳懲罰參數C為4.36，最佳核函數G為0.029。

4 算例分析

為驗證魚群算法優化支持向量機對微電網負荷預測的精度，將改進算法與標準支持向量機算法和BP神經網絡算法的預測結果進行對比，在數據上選取我國南

圖3 魚群算法參數尋優Fig.3 Parameter optimization of fish school algorithm

方島嶼微電網示范工程用戶側10天240h的用電量以及歷史天氣和溫度等數據作為訓練集，并把下一天的24h負荷數據作為測試集。在此數據的基礎上應用魚群算法優化支持向量機的模型對下一天的24h微網負荷進行預測，并將預測值與實際值的數據進行對比，采用均方誤差和平方相關系數評價分析模型的精確度。

其公式為：

其仿真結果的均方誤差和平方相關系數見表1。

表1 三種算法結果比較Tab.1 Comparison of three algorithms

從表1可以看出，基于魚群算法優化支持向量機的模型預測結果，無論是均方誤差還是平方相關系數都優于傳統的支持向量機和BP神經網絡預測的結果，可以認為改進的支持向量機的性能從整體上要優于傳統的支持向量機和BP神經網絡。其對應的相對平均誤差如圖4所示。圖5為微網負荷預測曲線。

從圖5中可知SVM和魚群—SVM的預測的穩定度要高，而且經過魚群算法優化后的SVM預測精度有明顯提高，其平方相關系數為97.33%，比傳統SVM和BP神經網絡分別提高了3.17%和5.3%，更加適合微電網的波動性、隨機性的特點，滿足微電網短期負荷預測的要求。

圖4 相對平均誤差Fig.4 Relative mean error

圖5 微網負荷預測曲線Fig.5 Micro grid load forecasting curve

5 結束語

本文對傳統的支持向量機模型進行改進，實現了魚群算法優化支持向量機的方法用于微網進行負荷預測。克服模型參數選著隨意性對支持向量機性能的不利影響。通過算例分析表明，魚群算法優化支持向量機模型能較好地預測微電網負荷變化的情況，不僅能夠處理微網負荷存在的高度非線性，而且具有較好的自適應能力和泛華能力，有效提高了微電網短期負荷預測的精度，具有一定實用價值。

[1] 魯宗相，王彩霞，閔永，等.微電網研究綜述[J].電力系統自動化，2007，（19）：100-107.LU Zongxiang， WANG Caixia， YAN Yong， et.al. Summary of Micro Grid Research[J]. Automation of Electric Power Systems，2007， （19）：100-107.

[2] 康重慶.電力負荷預測技術及其應用[M].北京：中國電力出版社，2004：25-51.KANG Chongqing. Power System Load Forecasting Technology and its Application[M]. Beijing ： China Electric Power Press，2004：25-51.

[3] 尹昊，新能源微電網短期負荷預測[D].湖南大學，2012.YIN Hao. Short Term Load Forecasting of New Energy Micro Grid[D].Hunan University，2012.

[4] 陳娟，吉培榮，盧峰.指數平滑法及其在負荷預測中的應用[J].三峽大學學報：自然科學版，2010，32（3）：37-41.CHEN Juan， JI Peirong， LU Feng. Exponential Smoothing Method and its Application in Load Forecasting[J]. Journal of China Three Gorges University（Natural Sciences）， 2010， 32（3）：37-41.

[5] 王友春，文閃閃.基于ARIMA_SVM模型的微電網短期負荷組合預測研究[J].陜西電力，2014，42（3）：19-23.WANG Youchun，WEN Shanshan.Study on Short Term Load Forecasting of Microgrid Based on ARIMA_SVM model[J].Shaanxi Electric Power， 2014， 42（3）：19-23.

[6] 張玲玲，楊明玉，梁武.基于相似日和LS-SVM的微網短期負荷預測[J].電力建設：微電網技術，2014，35（11）：32-37.ZHANG Lingling，YANG Mingyu， LIANG Wu. Short Term Load Forecasting Based on Similar Days and LS-SVM[J]. Power Construction ： Micro Grid Technology， 2014， 35（11）：32-37.

[7] 徐晟，蔣鐵錚，向磊.ELM算法在微電網超短期負荷預測的應用[J].電氣開關，2013，5（3）：70-76.XU Sheng， JIANG Tiezheng， XIANG Lei. Application of ELM Algorithm in the Ultra Short Term Load Forecasting of Microgrid[J]. Electric Switch， 2013，5（3）：70-76.

[8] 秦躍進，陶芬.基于改進負荷密度法的微網負荷預測[J].中國水利水電，2013.4（7）：149-152.QIN Yuejin， TAO Fen， et.al. Load Forecasting Based on Improved Load Density Method[J]. Journal of China Institute of Water Resources and Hydropower Research， 2013， 4（7）：149-152.

[9] 田海雷，李洪儒，許葆華，等.基于改進人工魚群算法的支持向量機預測[J].計算機工程，2013，39（4）：208-212.TIAN Hailei，LI Hongru，XU Baohua， et.al. Support Vector Machine Prediction Based on Improved Artificial Fish Swarm Algorithm[J]. Computer Engineering， 2013， 39（4）： 208-212.

[10] 湯慶峰，劉念，張建華，等.基于EMD-KELM-EKF與參數優選的用戶側微電網短期負荷預測方法[J].電網技術，2014，38（10）：2691-2699.TANG Qingfeng， LIU Nian， ZHANG Jianhua， et.al. Short Term Load Forecasting Method Based on EMD-KELM-EKF and Parameter Optimization of User Side Micro Grid[J]. Power Grid Technology， 2014， 38（10）： 2691-2699.

[11] 楊再鶴，向鐵元，鄭丹.基于小波變換和SVM算法的微電網電氣負荷預測研究[J].現代電力，2014，3174-79.YANG Zaihe， XIANG Tieyuan， ZHENG Dan. Research on Electric Load Forecasting Based on Wavelet Transform and SVM Algorithm[J]. Modern Electric Power， 2014， 31（3）： 74-79.

[12] 李曉磊.一種新型的智能優化方法——人工魚群算法[D].浙江大學，2003.LI Xiaolei. A New Intelligent Optimization Method-artificial Fish Swarm Algorithm[D]. Zhejiang University， 2003.

[13] 王聯國，洪毅，趙付青，等.一種簡化的人工魚群算法[J].小型微型計算機系統，2009，30（8）：1663-1667.WANG Lianguo， HONG Yi， ZHAO Fuqing， et.al. A Simplified Artificial Fish Swarm Algorithm[J].Small and Micro Computer System，2009，30（8）： 1663-1667.

The Load Forecasting of the Micro-grid Based on the Fish Swarm Algorithm and Support Vector Machine

LIU Yuan
(Thermal power plant of Daqing Oilfield Power Group, Daqing 163314, China)

In order to meet the development of the Micro-grid and distributed energy， the load forecasting of the Micro-grid is a difficult problem in the research of power system planning and construction. Due to the uncertainty and strong uncertainty of the load of the Micro-grid， Loads of the conventional prediction methods cannot be directly used for micro grid load forecasting，according to the characteristics of micro grid， According to the characteristics of micro grid， Considering the influence of the weather factor and the type of the week about the Micro-grid， A model based on fish swarm algorithm and support vector machine algorithm of the Micro-grid load forecasting is proposed.The fish swarm algorithm is applied to the parameter optimization of support vector machine. The simulation results show that compared with the traditional support vector machine， the result of the load forecasting of the support vector machine has higher precision and meets the actual requirements.

the load forecasting； the Micro-Grid；the fish swarm algorithm；the support vector machine

TV736

A

570.15

10.3969/j.issn.2096-093X.2017.01.021

2016-04-18

2016-04-23

劉源（1982—），男，本科，工程師，專工。專業特長：電氣檢修；研究方向：電網自動化。E-mail：liuyuan003@cnpc.com.cn