活動(dòng)鏈接：2013年控制網(wǎng)行業(yè)專題---節(jié)能增效 電力新發(fā)展

  摘要：電力系統(tǒng)負(fù)荷預(yù)測(cè)是當(dāng)前國(guó)內(nèi)外的研究熱點(diǎn)，支持向量回歸算法是一種解決電力系統(tǒng)負(fù)荷預(yù)測(cè)問(wèn)題非常有效的方法，如何根據(jù)特定數(shù)據(jù)集選擇合適的模型參數(shù)，以保證建立好的模型有很好的推廣性能，成為設(shè)計(jì)支持向量回歸機(jī)的關(guān)鍵一步。本文采用了1-范數(shù) 、2-范數(shù)以及v-支持向量回歸算法來(lái)解決支持向量機(jī)參數(shù)的自動(dòng)復(fù)制問(wèn)題。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，新模型在預(yù)測(cè)能力上較之一些廣泛使用的軟件可靠性預(yù)測(cè)模型有明顯的提高。

   關(guān)鍵詞：電力負(fù)荷預(yù)測(cè)；支持向量回歸；人工神經(jīng)網(wǎng)絡(luò)

   1 引言

    電力負(fù)荷預(yù)測(cè)是電力規(guī)劃和系統(tǒng)運(yùn)行中非常重要的一項(xiàng)工作，其工作量大，而且需要反復(fù)進(jìn)行。它指的是在充分考慮一些重要的系統(tǒng)運(yùn)行特性、增容決策、自然條件與社會(huì)影響的條件下，研究或利用一套系統(tǒng)地處理過(guò)去與未來(lái)負(fù)荷的數(shù)學(xué)方法，在滿足一定精度要求的意義下，確定未來(lái)某特定時(shí)刻的負(fù)荷數(shù)值^[1]。電力負(fù)荷預(yù)測(cè)的核心問(wèn)題是預(yù)測(cè)的技術(shù)方法，也就是預(yù)測(cè)的數(shù)學(xué)模型，隨著現(xiàn)代科學(xué)技術(shù)的不斷進(jìn)步，負(fù)荷預(yù)測(cè)理論和技術(shù)得到了很大的發(fā)展。負(fù)荷預(yù)測(cè)的具體作用根據(jù)預(yù)測(cè)期限長(zhǎng)短而異，一般可以分為長(zhǎng)期、中期、短期和超短期四種。

   負(fù)荷預(yù)測(cè)是根據(jù)電力負(fù)荷的過(guò)去和現(xiàn)在推測(cè)它的未來(lái)數(shù)值，它要受到多種多樣復(fù)雜因素的影響，并且各種影響因素也是發(fā)展變化的，加上一些臨時(shí)情況發(fā)生變化的影響，所以，負(fù)荷預(yù)測(cè)工作研究的對(duì)象是不確定事件。另外一方面，負(fù)荷預(yù)測(cè)都是在一定條件下做出的，包括必然條件和假設(shè)條件等，如果預(yù)測(cè)員真正的掌握了電力負(fù)荷預(yù)測(cè)的本質(zhì)規(guī)律，那么預(yù)測(cè)條件就是必然條件，所做出的預(yù)測(cè)往往比較可靠，然而在實(shí)際中，由于負(fù)荷未來(lái)發(fā)展的不肯定性，所以需要一些假設(shè)條件。

    短期負(fù)荷預(yù)測(cè)的研究已有很長(zhǎng)歷史, 國(guó)內(nèi)外的許多專家、學(xué)者在預(yù)測(cè)理論和方法方面作了大量的研究工作，取得了卓有成效的進(jìn)展^[1]。目前負(fù)荷預(yù)測(cè)經(jīng)驗(yàn)與經(jīng)典技術(shù)主要包括專家預(yù)測(cè)法、類比法、宏觀概率預(yù)測(cè)法、單耗法、負(fù)荷密度法、比例系數(shù)增長(zhǎng)法和彈性系數(shù)法、趨勢(shì)外推預(yù)測(cè)技術(shù)以及回歸模型預(yù)測(cè)等。傳統(tǒng)預(yù)測(cè)模型的主要優(yōu)點(diǎn)在于其簡(jiǎn)單性，易于理解和實(shí)施。一般基于以下信念：研究人員非常了解所要分析的問(wèn)題，并且認(rèn)為產(chǎn)生數(shù)據(jù)隨機(jī)性質(zhì)的物理規(guī)律和欲求的函數(shù)僅與有限個(gè)數(shù)的參數(shù)取值相關(guān)。但實(shí)際短期電力預(yù)測(cè)問(wèn)題的統(tǒng)計(jì)成分并不能僅用經(jīng)典的統(tǒng)計(jì)分布函數(shù)來(lái)描述，而且傳統(tǒng)預(yù)測(cè)模型需要對(duì)軟件故障的屬性和軟件失效過(guò)程做出許多先驗(yàn)的假設(shè)，這導(dǎo)致在不同的電力系統(tǒng)預(yù)測(cè)中各模型表現(xiàn)出極大的預(yù)測(cè)精度差異，即模型的適用性較差。

    為了改變傳統(tǒng)預(yù)測(cè)模型的這些問(wèn)題，目前研究人員提出了非常多新的預(yù)測(cè)技術(shù)，包括優(yōu)選組合預(yù)測(cè)技術(shù)[2-5]、時(shí)間序列預(yù)測(cè)、灰色預(yù)測(cè)技術(shù)、人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)、相關(guān)向量機(jī)預(yù)測(cè)技術(shù)、支持向量機(jī)預(yù)測(cè)技術(shù)等。其中，基于統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則發(fā)展起來(lái)的支持向量機(jī)預(yù)測(cè)算法，綜合考慮了模型復(fù)雜性與預(yù)測(cè)性能間的平衡，可以實(shí)現(xiàn)全局最優(yōu)和良好的泛化能力。支持向量回歸估計(jì)(support vector regression，SVR)算法通過(guò)不敏感損失函數(shù)和核函數(shù)的引入，可以很好地應(yīng)用于非線性回歸分析，并且對(duì)小樣本集問(wèn)題具有良好的預(yù)測(cè)性能。

    潘峰^[6]等人率先把SVM引入到電力系統(tǒng)短期預(yù)測(cè)建模當(dāng)中，SVM最大的優(yōu)勢(shì)是根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，能較好地解決小樣本情況下軟件可靠性預(yù)測(cè)問(wèn)題。支持向量機(jī)優(yōu)良的推廣性能能否實(shí)現(xiàn)，同模型中參數(shù)C、ε、γ等有很大的關(guān)系，如何根據(jù)訓(xùn)練樣本集選擇合適的模型參數(shù)，以保證建立好的模型有很好的推廣性能，成為設(shè)計(jì)支持向量回歸機(jī)的關(guān)鍵一步。利用先驗(yàn)知識(shí)或使用者的經(jīng)驗(yàn)可以選擇模型的參數(shù)。然而根據(jù)先驗(yàn)知識(shí)確定不敏感參數(shù)ε值對(duì)初學(xué)者來(lái)說(shuō)是一件非常困難的事情。潘峰等人并沒有考慮這方面的因素，在他們的模型中需要有較強(qiáng)的領(lǐng)域知識(shí)，Scholkopf^[7]提出了新的支持向量機(jī)ν-SVM, 該支持向量機(jī)中參數(shù)ν能夠自動(dòng)選擇ε, 以便控制支持向量的數(shù)目和訓(xùn)練誤差的大小，類似的還有1-范數(shù)SVM和2-范數(shù)SVM等。

    在本文中，筆者應(yīng)用ν-SVM、1-范數(shù)SVM以及2-范數(shù)SVM進(jìn)行回歸建模，提出ν-SVR、1-范數(shù)SVR以及2-范數(shù)SVR算法，由此建立了三種新的基于支持向量回歸算法的電力負(fù)荷短期預(yù)測(cè)模型，并通過(guò)在四個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)分析表明，新的模型較之舊模型以及一些廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)能力及適用性上有較多的提升。

    2 本文中采用的支持向量回歸算法

    支持向量機(jī)是Vapnik^[8]提出的一類新型機(jī)器學(xué)習(xí)方法。它建立在統(tǒng)計(jì)學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上。結(jié)構(gòu)風(fēng)險(xiǎn)最小化就是使如下泛函最小：    

           
 
    求解上式等價(jià)于求解以下最優(yōu)化問(wèn)題：

          

     通過(guò)采用ν-SVR，1-范數(shù)SVR和2-范數(shù)SVR算法可以對(duì)解決回歸問(wèn)題時(shí)，支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化賦值，具體算法如下： 

    1-范數(shù)SVR算法
  
           
    2-范數(shù)SVR算法
 
                   

             v-SVR算法  

                  

            
            
   3 SVR在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用

    電力負(fù)荷預(yù)測(cè)模型是統(tǒng)計(jì)資料軌跡的概括，它反映的是經(jīng)驗(yàn)資料內(nèi)部結(jié)構(gòu)的一般特偵，與該資料的具體結(jié)構(gòu)并不完全吻合。模型的具體化就是負(fù)荷預(yù)測(cè)公式，公式可以產(chǎn)生與觀察值有相似結(jié)構(gòu)的數(shù)值，這就是預(yù)測(cè)值。基于相關(guān)向量機(jī)的電力系統(tǒng)預(yù)測(cè)是電力負(fù)荷回歸模型預(yù)測(cè)技術(shù)的一種，根據(jù)負(fù)荷過(guò)去的歷史資料，建立可以進(jìn)行數(shù)學(xué)分析的數(shù)學(xué)模型，對(duì)未來(lái)的負(fù)荷進(jìn)行預(yù)測(cè)。從數(shù)學(xué)上看，就是用數(shù)理統(tǒng)計(jì)中的回歸分析方法，即通過(guò)對(duì)變量的觀測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，確定變量之間的相關(guān)關(guān)系，從而實(shí)現(xiàn)預(yù)測(cè)的目的。回歸預(yù)測(cè)包括線性回歸和非線性回歸，電力系統(tǒng)的變化趨勢(shì)具有明顯的非線性特征，支持向量回歸屬于非線性回歸到一種。

    3.1 SVR預(yù)測(cè)器描述

   對(duì)于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)，影響預(yù)測(cè)負(fù)荷的預(yù)測(cè)因子形成支持向量回歸的訓(xùn)練樣本的輸入?yún)⒘? 包括：（1）預(yù)測(cè)日前K日預(yù)測(cè)時(shí)刻的負(fù)荷數(shù)據(jù)A = [a₁, a₂ ,?, a_k ] ；（2）預(yù)測(cè)日前一日預(yù)測(cè)時(shí)刻之前T個(gè)時(shí)段的負(fù)荷數(shù)據(jù) B=[b₁,b₂, , , , .b_k] ；（3）預(yù)測(cè)日的氣象數(shù)據(jù) C=[c₁,c₂, , , , c_k]，包括最高溫度、最低溫度、平均溫度、風(fēng)力和濕度等，該數(shù)據(jù)資料可以當(dāng)?shù)貧庀蟛块T獲取；（4）預(yù)測(cè)日的周屬性 D= [d₁,d₂, , , ,d_k ] k D = d d ? d ，代表周一到周日；（5）節(jié)假日屬性F，指五一、十一、元旦、春節(jié)等重大節(jié)假日。

    3.2 輸入、輸出數(shù)據(jù)縮放

    在使用支持向量機(jī)進(jìn)行學(xué)習(xí)預(yù)測(cè)時(shí)，首先需要把所有的輸入輸出數(shù)據(jù)歸一化到區(qū)間[0.1,0.9]，具體轉(zhuǎn)化式子為^[9]：
 
              

    其中，y是歸一化后的值，x是實(shí)際值，x _max  是數(shù)據(jù)集中的最大值， x_min 是最小值，   Δ = x  _max − x _min ，預(yù)測(cè)結(jié)束后，采用以下映射把數(shù)據(jù)映射回實(shí)際值：

             

    3.3 核函數(shù)選擇

    利用支持向量機(jī)解決回歸問(wèn)題時(shí)，需要根據(jù)求解問(wèn)題的特性，通過(guò)使用恰當(dāng)?shù)暮撕瘮?shù)來(lái)代替內(nèi)積，以便隱式地把高維特征空間的點(diǎn)積運(yùn)算轉(zhuǎn)化為低維原始空間的核函數(shù)運(yùn)算，巧妙地解決在高維特征空間中計(jì)算帶來(lái)的“維數(shù)災(zāi)難”，從而解決計(jì)算上的技術(shù)問(wèn)題。這個(gè)核函數(shù)不僅要在理論上要滿足Mercer 條件，而且在實(shí)際應(yīng)用中要能夠反映訓(xùn)練樣本數(shù)據(jù)的分布特性。因此，在使用支持向量機(jī)解決某一特定的回歸問(wèn)題時(shí)，選擇適當(dāng)?shù)暮撕瘮?shù)是一個(gè)關(guān)鍵因素。核函數(shù)的選擇是支持向量機(jī)理論研究的一個(gè)核心問(wèn)題，但是目前還沒有一種針對(duì)具體問(wèn)題構(gòu)造出合適的核函數(shù)的有效方法。在實(shí)際的應(yīng)用中，最常用的核函數(shù)有多項(xiàng)式核、徑向基( radial basis function, 簡(jiǎn)稱RBF)核、多層感知機(jī)核等，由于核參數(shù)能夠反映模型選擇的復(fù)雜度，從核參數(shù)的數(shù)量來(lái)看，RBF 核是個(gè)明智的選擇。RBF 核函數(shù)是一個(gè)普適的核函數(shù)，通過(guò)參數(shù)的選擇，它可以適用于任意分布的樣本，是被應(yīng)用得最廣泛的一種核函數(shù)，在本文中使用的核函數(shù)為RBF中最常見的高斯核函數(shù)：

                    

    4 實(shí)驗(yàn)分析比較

    為了驗(yàn)證所提出的各種支持向量機(jī)方法的可行性和有效性，本文采用山西省太原市2010年9月1日到10月30日的負(fù)荷和氣象數(shù)據(jù)進(jìn)行了短期負(fù)荷預(yù)測(cè)的計(jì)算和分析，其中前40天數(shù)據(jù)作為訓(xùn)練樣本集，中間10天數(shù)據(jù)作為驗(yàn)證樣本集，后10天數(shù)據(jù)作為預(yù)測(cè)樣本集。

    比較所用的模型包括：潘峰[6]等人的SVM模型、Karunanithi等人使用的前饋神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)( recur rent neuralnetwork, RNN)模型。這些模型都是目前比較有代表性的電力負(fù)荷預(yù)測(cè)模型。所建立預(yù)測(cè)模型使用平均相對(duì)預(yù)測(cè)誤差(averagerelative prediction error, AE) 對(duì)模型進(jìn)行評(píng)價(jià)，計(jì)算式為：

                

    其中， x ˆ_ij  表示從10月21號(hào)起第i天第j小時(shí)的電力負(fù)荷預(yù)測(cè)值，而 x _ij  表示從10月21號(hào)起第i天第j小時(shí)的電力負(fù)荷實(shí)測(cè)值，AE的值越小，說(shuō)明模型的預(yù)測(cè)能力越強(qiáng)。

   表1給出了SVM、FFNN和RNN模型在7個(gè)工作日上的AE值。以10月22日為例，潘峰等人的libSVM模型預(yù)測(cè)AE值為1.52，前饋神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)模型預(yù)測(cè)AE值分別為2.97及3.32，而我們的預(yù)測(cè)模型的AE值分別為0.98、1.35、1.02，要小于相關(guān)工作的預(yù)測(cè)值。

                              表1 一般工作日預(yù)測(cè)AE值比較
 
               
   表2給出了SVM、FFNN和RNN模型在3個(gè)休息日上的AE值。從算例結(jié)果可以看出幾種方法對(duì)一般工作日的預(yù)測(cè)誤差都較小，休息日的誤差較大，基本符合實(shí)際情況。
   
                            表2 休息日預(yù)測(cè)AE值比較
                

    從表1以及表2中可以看出，新模型表現(xiàn)出了非常不錯(cuò)的預(yù)測(cè)性能，采用三種支持向量回歸算法時(shí)，在大部分工作日以及休息日的綜合預(yù)測(cè)上都要優(yōu)于其它模型。因此我們提出的新的基于優(yōu)化SVR算法的軟件可靠性預(yù)測(cè)模型可取得比libSVM、FNN、KKNN等預(yù)測(cè)模型更好的預(yù)測(cè)效果。

    5 結(jié)論

    在軟件可靠性建模中，軟件失效數(shù)據(jù)非常復(fù)雜，常常體現(xiàn)為高維、小樣本。SVM是在小樣本學(xué)習(xí)的基礎(chǔ)上發(fā)展起來(lái)的分類器設(shè)計(jì)方法，專門用于小樣本數(shù)據(jù)，而且對(duì)數(shù)據(jù)維數(shù)不敏感，支持向量回歸估計(jì)(SVR)算法通過(guò)不敏感損失函數(shù)和核函數(shù)的引人，可以很好地應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測(cè)預(yù)測(cè)，并且具有良好的預(yù)測(cè)性能和推廣能力。

   參考文獻(xiàn)

    [1] Hippert H S, Pedreira C E and Souza R C. Neural networks for short - termload forecasting : a review and evaluation [J ] .IEEE Transactions on PowerSystems , 2001 ,16 (1) : 44 -55.

    [2] 牛東曉, 曹樹華, 盧建昌,等. 電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[ M] . 2 版. 北京:中國(guó)電力出版社, 2009.

   [3] 康重慶, 夏清, 劉梅. 電力系統(tǒng)負(fù)荷預(yù)測(cè)[ M] . 北京: 中國(guó)電力出版社,2007.

   [4] 李云飛, 黃彥全, 蔣功連. 基于PCA-SVM 的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J] .電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2007, 19( 5) : 66-70.

   [5] 宋超, 黃民翔, 葉劍斌. 小波分析方法在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J] . 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2002, 14( 3) : 8-12.

   [6] 潘峰，程浩忠，楊鏡非，張澄，潘震東. 基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J] . 電 網(wǎng) 技 術(shù), 2004, 28(21) : 39-42.

   [7] Scholkopf B, Smola A. Learning with kernels: Support vector machines,regularization, and beyond. Cambridge, MA: MIT Press.2002.

   [8] Vapnik V. The nature of statistical learning theory. New York: SpringerVerlag, 1995

   [9] Tian L and Noore A. Dynamic software reliability prediction: An approachbased on support vector machines. International Journal of Reliability, Qualityand Safety Engineering, 2005, 12(4): 309–321

   楊憲軍（1973-）男，畢業(yè)于上海鐵道大學(xué)（現(xiàn)同濟(jì)大學(xué)）電氣工程系，工程師，主要研究方向電力系統(tǒng)運(yùn)行、分析與控制和輸配電自動(dòng)化、數(shù)據(jù)挖掘和智能技術(shù)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用。   

   摘自《自動(dòng)化博覽》2012年第一期