摘要：支持向量机在电力短期负荷预测的应用越来越受到人们的重视，本文通过研究支持向量机在电力系统短期负荷预测中的应用，剖析预测环节的关键节点，提升了电力系统短期符合预测的精准性，为电力系统控制、运营提供数据支撑，推动预测技术的发展。
关键词：支持向量机；电力系统；短期负荷预测；应用
引言
做好电力系统负荷预测工作对于电力生产部门极为重要。对短期负荷预测（未来1天到7天的负荷）可以有效支持调度中心制定发电计划。同时，可以合理安排机组的启停，减少备用容量，合理安排检修计划，降低发电成本。短期负荷预测，对提高电力运营商的运营效率有着直接的影响，对电力系统的控制、运行和规划具有重要意义。因此，针对不同的情况，有必要寻找一种有效的负荷预测方法，以提高预测精度。本文探讨了支持向量机在电力系统短期负荷预测中的应用模式。
一、短期负荷预测的特点
想要做好短期负荷预测，首先了解短期负荷预测的特点，进而结合其特点制定相应的短期负荷预测方法，短期负荷预测特点主要可以概括为三点：
（1）预测结果的不准确性。电力负荷受各种复杂因素的影响，如社会经济发展，气候变化，新技术应用，政治政策等。其中有些因素可以进行预测估算，但是也有很多因素不易估算，难以被精确预测。因此预测结果的不准确性可以分为两点，影响因素的不可控性，预测能力的精准不可控性。
（2）预测应用的条件性。各种电力负荷预测都是在一定条件下进行的。这些条件中包括必要条件和假设条件。基于必要条件的负荷预测通常是可靠的。基于假设条件的负荷预测的准确性显然是有条件的。例如，在预测模型的训练中，当某些参数的初始值设置不同时，预测结果会有所不同。显然，基于这些条件的负荷预测具有特定的条件。
（3）预测结果的多样性。由于负荷预测精度的不同要求和预测条件的限制，以及预测方法和理论与数学模型的多样性，预测结果并不是唯一的。
二、支持向量机预测法
支持向量机（SVM）是Vapnik在统计学习理论基础上提出的一种新的通用学习算法。统计学习理论是一种基于传统统计学的机器学习方法。与传统统计学相比，统计学习理论（SLT）是一种专注于有限样本的机器学习理论。该理论为有限样本的统计问题建立了一个新的理论体系。在该系统中，统计推理规则不仅要考虑泛化能力的要求，还要在现有的有限信息条件下追求最优结果。Vapnik研究团队在20世纪60、70年代开始致力于这项研究，发展到上世纪90年代中期，统计学习理论基础研究成熟，为解决很多难以解决的问题提供了希望，如神经网络结构的选择，局部最小值等。基于该理论，支持向量机（SVM）在其自身方法上表现出了许多优越的性能，将有力地推动机器学习理论和技术的发展。统计学习理论和支持向量机（SVM）在有限样本下建立了一套良好的机器学习理论框架和通用方法，不仅具有严格的理论基础，而且可以解决小样本，非线性等实际问题。
支持向量机的基本思想可以概括为：首先通过非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求最优线性分类面，这种线性变换是通过定义适合的内积函数来实现的。支持向量机求得的分类函数形式上类似于一个神经网络，其输出是若干中间层节点的线性组合，而每个中间层节点对应于输入样本与一个支持向量的内积，因此也称为支持向量网络，其结构如图1所示
图1支持向量机示意图
三、基于支持向量机的电力系统短期负荷预测应用
3.1样本及其输入输出量的选择
基于支持向量机的短期负荷回归预测模型相较于传统预测方法有着其特有优势，考虑更多气象因素和日负荷类型等因素，提高了系统预测的准确性。如图1所示，在模型中，输入向量X∈R，其包括历史负荷、气象因子和日常类型负荷等影响因素。向量Y作为预测负荷输出，根据已知数据，建立训练样本集和预测样本集，建立SVM的回归目标函数。将最优解返回到回归决策函数方程，得到回归决策函数，最后，计算预测结果。
图2支持向量机应用步骤
3.2核函数的选取
只要确定了核函数以及各种参数，就可以确定回归函数。在核函数的选择上，支持向量机完全以训练样本集和核函数为特征，通过选择不同形式的核函数可以生成不同的支持向量机回归模型。目前，最常用的核函数有：线性核函数、多项式核函数和高斯径向基核函数。研究人员经过多年研究认为支持向量机的性能与核函数的类型无关。核参数（核函数中的参数0）和平衡系数C是影响支持向量机性能的主要因素。然而，选择合适的核函数有利于减少计算量。对于多项式核函数（线性核函数是多项式核函数的特例），当特征空间维数较高时，计算量会大大增加，即使在某些情况下，也无法得到正确的结果，而高斯径向基核函数也没有这个问题。此外，高斯径向基核函数的选择是隐式的。每个支持向量将生成一个以它为中心的局部高斯函数。利用结构风险最小化原理，求出全局基函数宽度σ。
3.3预测步骤
其预测步骤如图2所示，
（1）历史数据整理与预处理，然后对历史数据进行预处理和归一化处理。归一化处理方式及将原始数据通过现行变换，将数据均转化到[-1，1]区间内，形成训练样本集，其归一化公式为：
i=（1，2，3.....n）
其中
为归一化的转化值，
为实测值，其中
、
分别为实测值数据中的最大值和最小值，n为向量维数，也就是影响因子种类数。
（2）建立SVM短期电力负荷模型，根据得当的训练样本集，和上文选取的和函数，建立基于支持向量机的回归目标函数。
（3）将确定的参数、基函数宽度等参数，利用LIBSVM软件并求解最优解。
（4）利用最优解，确定回归决策方程的系数，进而求的回归决策方程。
（5）利用预测样本决策回归方程，相结合对短期负荷进行预测，预测完成以后，通过和真实数据，进行对照，作为已知数据，加入样本训练机，不断添加新的数据，可以实行一个周期的预测。
若预测值和未来测量的真实值，存在较大误差，则需要进行二次调正参数，不断修正模型，保证预测的精准性。
结论
本文从短期电力预测特点，分析支持向量机在短期电力预测的应用，通过探究其预测步骤，数据预处理等获取预测值为电力成本定价、电力设施调控提供了决策依据。虽然相较于传统的预测方法，支持向量机有着其优势，但是在理论研究方面，仍存在很多不足，需要不断完善，保证预测的精准性。
参考文献：
[1]熊军华，牛珂，张春歌，etal.基于小波变异果蝇优化支持向量机短期负荷预测方法研究[J].电力系统保护与控制，2017（13）.
[2]陈若曦.基于贝叶斯证据框架优化的LS-SVM预测模型在空间电力负荷预测方法中的应用研究[D].
[3]刘鹏娟.智能配电网环境下的短期负荷预测研究[D].
[4]郑永康.小波支持向量机与相空间重构结合的短期负荷预测研究[J].电力系统保护与控制，2008，36（7）：29-33.
[5]包广清，林麒麟，吴国栋.计及气象因素和日期属性的短期负荷预测研究[J].电气应用，2017（11）：50-55.
论文作者:冯艾,何国超
论文发表刊物:《电力设备》2019年第6期
论文发表时间:2019/7/8
标签：向量论文; 负荷论文; 函数论文; 样本论文; 电力系统论文; 电力论文; 方法论文; 《电力设备》2019年第6期论文;