（农业电气化与自动化专业论文）基于bs和支持向量机的电力负荷预测研究.pdf

中国农业大学硕士学位论文 摘要 摘要 月度负荷预测是电力计划部门、用电营销部门的重要工作，其目的是为了合理的安排电力系 统的中期运行计划和销售或用电计划只有掌握负荷变化规律，选择合适的预测模型，才能真正 提高预测的精度，降低运行成本，提高供电可靠性 支持向量机( s u p i x m v e c t o r m a c h i n e ，简称s v m ) 是一种新兴的学习机器。有较为完备的理 论基础和较好的学习性能，成功解决了神经网络难以克服的局部最优等问题，被称为神经网络的 替代算法因此，本论文将其引入到电力系统的月负荷预测中来 文中详细介绍了作为s v m 理论基础的统计学习理论和s v m 分类模型和回归模型，对s v m 模型中的参数对其性能影响进行了详细分析并给出了参数选择的通用方法文中针对月负荷周 期性趋势较明显的时间序列提出了修正指数加权s v m 模型文中采用多尺度思想将负荷序列分 解为光滑的长期趋势序列和以年为周期的含随机波动的季节性趋势序列，然后分别利用标准s v m 和修正指数加权s v m 方法进行训练，文中以2 0 0 5 年华北地区某县的月用电量为算例，对模型进 行检验。算例验证该方法十分有效 本论文在v i s u a ls t u d i o n e t 2 0 0 3 环境下开发了基于w e b 的电力系统负荷预测网站系统该 系统拥有中长期，中短期的十多种常用的预测方法，其中中短期预测使用了支持向量回归方法， 而且参数由系统自动确定，减少了对用户经验的依赖。同时，该软件还具有界面友好、操作简单、 预测精度较高等特点 关键词：负荷预测，支持向量机，a s p n e t ，时间序列，指数加权 a b s t r a c t m o n t h l yl o a df o r e c a s t i n gi s t h ei m p o r t a n tw o r ko fe l e e t r i e i t yp l a n n i n g 岫e n t sa n dt h e m a r k e t i n gd e p a r t m e n t so fd c e t r i e i t y , w h i c hi si no f d t og e tar e a s o n a b l em e d i t m a - t e r mo l x l a l i o np l a n i np o w c i s y s t e m w b 啪t r u l yi m p r o v ef o r e c a s t 粒a m 峙xl o w e l ro p e l a t i n g s 拇越i di n c r e a s et h o r e l i a b i l i t yo f p o w e rs u p p l yn oo t h e rt t u mm a s t e r i n gl o a dv a r i a t i o na n de h o o 幽a gi t 目t l i t a b l em o d e l $ v m ( s u p p o r tv e c t o rm a e l a i n o , s 啪w h i e l ai s - 柳l e a r n i n gm n e h i n eh a s - m o r ec o m p l e t e t h 酬c a lf o u n d a t i o na n db e t t dl e a r n i n gi , e , f o m a n s v me a l l e dn e u m ln e t w o r ka l g o r i t h m a l t e m a t i v 鹤h a sr e s o l v e d 龀l o c a lo p t i m i z a t i o np r o b l e m ss u c c e s s f u l l yw h i e l at h en e u r a ln e t w o r ki i d i f f i c u l tt oo 、日q m e t l a c r e f o r e , t h i sp 日p 日w i l li n t r o d u s v m 钿t h em o n t h l yl o a df o r e c a s t i n go f p o w c i s y s t e m i nt h i s 也e s i s , t h es t a t i s t i c a ll e a r n i n gt h e o r yw l a i e l ai st h eb a s i so fs v mi si n t r o d u c e d , a n dt h e nt h e d e t a i l e d 弘n 础mo f u s i n g $ v mf o rc l a s s i f i c a t i o np r o b l e ma n df o r 坤剿i wp r o b l e m 矾g i v 弛t h e e f f e e l ba n ds e l e c t i o no fs o m ei m p o r t a n tp a r a m c t e l l jo fs v ma d i u s s e d dag e n e r a la p p r o a c hf o r p a r a m e t e r se h o s i n gi sp r o p o s e d a i m i n ga tt h eo b v i o u sc y c l i c a lt r e n d so v c i l o a dl i m es e a i e s , am o d i f i e d e x p o n e n t i a lw e i g h t e d $ v mm o d e li s 弘q 础m u l t i p l e - s e a l e dt h o u g h ti s u s e di nt h i sp a p e rt o c l 似, m p o s cl o a dt i m es e r i e si n t o - s m o o t h q t l 锄o fal o n g e r - t e r mt r e n da n dar o u g h 哪埠n o f s e a s o n a le y c l et r e n dw i t hr a n d o mf l u e m a t i o m , a n dt h e n1 l s et h es t a n d a r d $ v ma n dt h em o d i f i e d e x p o n e n t i a lw e i g h t e ds v mm o d e lf o r 缸i n i n gr e s p e e t i v c l y t h eo r i g i n a ld a t aa t h em o n t h l yp o w e r e o u s m p t i o nc o m ef r o mac e r t a i nc o u n t yi nn o r t hc l a i m e x p e r i m e n tl e s u l ti n d i c a t e st h a tt h em o d e li s v e r ye f f e c t i v e i nt h i sr e s e a r e l a , _ w e b s i t eo fe l e c t r i c i t yl o a d f o r e c a s t i n gs y s t e m i sd e v e l o p e du n d e rt h e e n v i r o n m e n to f v u m a ls t u d i o n e t2 0 0 3 t h es y s t mi se o m i s t e do f m o r et h a nt e l lk i n d so f f o r e c a s t i n g m e t h o d si n v o l v e dm e d i u m - l o n gt e r ma n ds h o r t - t e r ml o a df o r e c a s t i n gm e t h o d si nw h i c hs v ri su s e d a n dp e r l m a e t e r s nb ei d e n t i f i e da u t o m a t i c a l l yt or e d u c et h er c l i a n e e0 1 1u 河“p e r i e n e e m e a n w h i l e , t h es o t t w a r ea l s oh a s 雠e x c e l l e n tc h a r a c t e r i s t i c s ，s u e l a 鹞f r i e n d l yi n t e r f a c e , s i m p l eo p e r a t i o n , h i g h p r e d i c t i o np r i s i o n ，e r e k e y w o r d s ：l o a d f o r e c a s t i n g ，s u p p o r t v e c t o r m a c h i n e s ，a s p n e t ，t i m es e r i e s ，e x p o n e n t i a l w e i g h t h 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发 表或撰写过的研究成果，也不包含为获得中国农业大学或其它教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示了谢意 研究生签名：辛幻j 包l 乱 时间：曲。口7 年彳月嵋 关于论文使用授权的说明 本人完全了解中国农业大学有关保留、使用学位论文的规定，即：学校有权保留 送交论文的复印件和磁盘，允许论文被查阅和借阅，可以采用影印、缩印或扫描等复 制手段保存、汇编学位论文同意中国农业大学可以用不同方式在不同媒体上发表、 传播学位论文的全部或部分内容。 ( 保密的学位论文在解密后应遵守此协议) 研究生签名： 导师签名： 扣吒j 记 1 泛彼掳 时间：岬年月心日 时间： 2 7 年，月，日 中国农业大学硕士学位论文 第一章绪论 第一章绪论 在现代人类生活中，制定任何计划都需要首先做好预测，在电力行业中尤其如此电能已成 为国民经济各生产部门的主要动力，是人民生活中必不可少的重要能源，电网运行的可靠性和经 济性就显得十分重要由于电能不能大量存储，这就要求发电功率和用电功率时刻保持平衡可 是。用电负荷随时都在变化。为了满足系统内负荷的要求，供电部门必须对负荷进行预测和估计， 以采取必要的措施来保证电网的安全经济运行可见，电力负荷预测是电力系统调度、用电、计 划、规划等管理部门的重要工作之一 1 1 电力系统负荷预测的概念及分类 1 1 1 电力负荷预测的概念 电力负荷包括两方面的意思：一方面是指电力工业的服务对象，包括使用电力的部门、机关、 企事业单位以及各种各样的用电设备；另一方面是指上述各用电单位、用电部门或用电设备使用 电力和电量的具体数量。电力负荷预测中的负荷概念，是指国民经济整体或地区对电力和电量消 费的具体情况及未来的变化发展趋势 电力负荷预测是指在充分考虑一些重要的系统运行特性，增容决策、自然条件与社会影响的 条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下， 确定未来某特定时刻的负荷数值“ 1 1 2 电力负荷预测的分类 负荷预测的分类是一个有争议的问题唧电力负荷预测主要有三种分类方法根据负荷预测 表示的不同特性。常常分为最高负荷、最低负荷、平均负荷、全网负荷、母线负荷等类型的负荷 预测，以满足供电、用电部门的管理工作的需要；按照行业进行划分，负荷预测可以分为工业负 荷、商业负荷、农村负荷、市民负荷及其他负荷：在实际预测中，通常按照时间期限来对电力负 荷预测进行分类，分为长期、中期、短期和超短期负荷预测 负荷的长期预测一般指l o 年以上并以年为单位的预测，主要用于电网的规划和帮助决定系 统的发展方向；中期预测是指5 年左右并以年为单位的预溯，其意义在于帮助决定电网的结构优 化、增容和改建等。负荷的中长期预测是电力规划部门的重要工作之一，为所在地区或电网的电 力发展速度、电力建设规模、电力工业布局，能源资源平衡、地区问的电力余缺调剂、电网资金 和人力资源的需求平衡提供了可靠的依据。 负荷的短期预测则是指一年以内并以月为单位的负荷预测，还指以周、天、小时为单位的负 荷预测，通常预测未来一个月，未来一周、未来天的负荷指标，也预测未来一天2 4 小时中的 负荷，其意义在于帮助确定燃料供应计划；经济合理地安择本网内各机组的启停，降低备用容量； 可以在保证正常用电的情况下合理安排机组检修计划。 中国农业大学硕士学位论文 第一章绪论 i i 曼曼e 詈量皇曼量曼舅量目| 曼置e 置量量舅量| 量量曼置量量一 超短期负荷预测指未来l 小时、未来o ，5 小时甚至未来l o 分钟的预测，其意义在于实现发电 容量的合理调度并用于质量控制。安全监视，预防控制和紧急状态处理。 1 2 课题的研究意义 2 1 电力负荷预测的意义 电力系统发展到今天，已经成为世界各国提供能源和动力的巨大网络电力系统的作用是为 各类用户尽可能地提供持续可靠且质量有保证的电能。由于电能不能大量贮存，正常运行条件下， 任何时刻生产的电能应等于该时刻电力网内消耗的电能如果发电容量不够，则应增加发电机组 或从邻网输入必要的功率以保证供电的可靠性和电能质量；反之，如果发电容量有剩余，则应选 择停机或向邻网输出多余的功率，以保证系统的安全经济运行因此，要使电能达到。产”，。销” 的动态平衡，必须对本电网内未来负荷变化的趋势与特点进行预测。可见，负荷预测是一个电网 调度部门和规划部门所必须具有的基本信息之一，是保证电力系统可靠供电，经济运行的前提。 负荷预测是电力系统规划建设的依据。电力工业是国民经济的重要部门之一随着现代工业 和农业的不断发展及人民生活水平的日益提高，社会对电力的需求量越来越大为了满足日益增 大的电力需求，必须不断扩大电力系统的规模。由于电力工业的发展不仅需要消耗巨大的投资和 一次能源，对国民经济的其他部门也会产生巨大的影响，合理地进行电力系统规划不仅可以获得 巨大的经济效益，也可以获得巨大的社会效益。相反，电力系统规划的失误会给国家建设带来不 可弥补的损失因此，对电力系统规划问题进行研究，以求最大限度地提高规划质量，具有重大 的现实意义，而实现这个目标的第一步就是要做好负荷预测吲 负荷预测的准确程度将直接影响到投资，网络布局和运行的合理性因此负荷预测在规划 中显得尤其重要若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用 户正常供电要求，甚至还可能缺电另一方面，若负荷及电量预测过高，则又会导致设备利用不 充分，从而引起投资的浪费在电力市场条件下，任何拉阐、限电等违反合同的行为都要付出经 济赔偿负荷预测的精度直接关系到各方利益，因此预测的准确性要求更高w 从国内外研究情况来看，短期预测中的且负荷预测、周负荷预测研究较多，而对介于短期和 ，中期之间的月度负荷预测的研究很少月最大负荷及月电量的预测。是制定电力系统规划的第一 步 6 2 1 预测结果用于决定发电，输电和配电系统增加的容量，也用于财务和经济分析及预估。制 定电网生产计划，如安排检修、确定运行方式、区域性电网之间电力的互送，实行经济调度、实 现电网商业化运营等更需要知道每月的负荷同时，月负荷预测是一个困难的负荷预测问题。 既具有随时间推移的增长趋势，又具有同一周期的相似波动性趋势，其中增长趋势常常不具有简 单的线性回归性，而波动性趋势也呈现为一种复杂的非线性函数特性因此，根据相关历史数据 与资料。采用比较科学的方法预测出具有较高可信度的月负荷发展规律，不仅为决策人员提供及 时、科学的决策信息，从而合理的调整电力市场，为电网能量管理提供依据，而且对电力系统的 规划和运行也是十分重要的。 2 中国农业大学硕士学位论文 第一章绪论 1 2 2 基于w e b 设计的意义 现有负荷预测软件将所有功能集中在一起，导致网络中任何需要进行负荷预测的客户机都必 须安装整套负荷预测软件，甚至只需查看预测结果的客户机也不例外；此外，客户机需要进行大 量的设置才能进行负荷预测，这样用户的工作量会很大w d o 技术的发展和互联网的兴起使得现 代信息交换突破了空间和时间的限制，电力信息化的发展大大提高了现代电力系统工业的生产效 率和运行水平，同样负荷预测软件也应当能够实现基于w e b 技术的分布式负荷预测，从而更好地 服务于电力系统的生产和运行 此外。负荷预测面临的主体除了电力公司之外，还有一些企业甚至个体户，恰好这个群体很 有可能不会出重金购买专门的软件而可以通过上网这种方式获得第一手的信息在市场经济的各 种经济手段实施的时候，利用负荷高峰期来进行机器检修，在负荷低谷安捧生产，会给这些企业 减少不少的成本，带来更高的收益对整个电力系统而言，也就能更好的实施需求侧管理。 因此。传统的单机版的电力负荷预测软件己经不能满足一些特殊情况下的要求为了保证信 息的共享性及传递的快速性，充分利用i n t e r a c t 技术和网络资源，已经是当今社会不可避免的 把网络技术引入电力负荷预测尤其是短期预测中，建立一种新的用户，服务器( b s ) 模式，是广 大决策者的共同心愿。尤其是在电力市场环境下，相关部门干部出差在外也可以随时关注企业的 动态，做出英明决策。而且，软件的更新换代直接在服务器端进行，不仅大大方便用户的使用， 而且减少用户对系统维护的工作量 1 3 国内外研究现状 电力系统的负荷预测最早出现于2 0 世纪二十年代，但直到六十年代电力负荷预测才受到关 注和重视随着经济的迅猛发展，各国各行业对电力的需求越来越大，对电能质量的要求也越来 越高，人们逐步意识到负荷预测带来的经济效益和社会效益，从而促进了电力负荷预测的发展 负荷预测的核心问题是预测的技术方法，或者说是数学模型随着现代科学技术的不断进步 和理论研究的逐步深入，负荷预测理论得到了很大的发展，国内外学者提出了各种各样的预测方 法，预测模型从简单到复杂，从单一模型的预测到多模型进行优选组合预测。这些方法和模型可 以归结为两大类：传统的预测方法和以不确定性理论和人工智能技术为主导的现代预测方法。 1 3 1 传统的预测方法 传统的预测方法主要沿用了经济领域的预测技术，研究重点放在负荷序列本身的规律上采 用的方法一般可以分为两大类：一类是把负荷模式看成时间序列信号的时间序列法。另一种是认 为负荷模式与天气、工业水平等因素有关，并且找到各影响因素与系统负荷之间的函数关系的回 归分析法 ( 1 ) 时间序列模型 时间序列模型”1 被认为是最经典、最系统、最被广泛采用的一类负荷预测方法该方法是通 过对预测对象( 负荷) 的历史观测数据时间序列的分析处理，来研究其发展过程的基本特征 和变化规律，并据此预测未来行为的方法常用的时间序列分析模型有以下几种：自回归模型 3 中国农业大学硕士学位论文第一章绪论 ( 胍) 、动平均模型( m a ) 、自回归动平均模型( a r 姒) 、累积式自回归一动平均模型( a r i 姒) 其 中，前面三种模型是在以时间序列为平稳随机序列的前提条件下使用的，这些模型对于时间的起 点不做任何规定，即表示无论抽出时间序列哪一段，其平均值是不变的但实际上负荷时间序列 的变化通常是一个非平稳随机过程，必须将序列转化成平稳随机序列后才能使用这些模型a i l i 姒 模型就能直接作用于非平稳随机时问序列，并将非平稳随机过程中的平稳随机变化负荷包含在模 型中时间序列预测法的特点是计算速度快和反映负荷近期变化的连续，在电网情况正常，气候 因素变化不大时预测效果良好，但在随机性因素变化较大或存在不良数据的情况下，预测结果不 理想 1 9 8 2 年3 月。中国学者邓聚龙教授在国际上首次提出来了灰色系统理论，为系统研究提供了 新的科学方法和数学手段。十几年的时间，该理论得到了迅速的发展，并在多个领域内得到广泛 的运用，特别是在电力负荷预测中取得了一定的成绩 灰色模型( o r a ym o d e l ) 简称g m 模型，是以灰色模块为基础，用微分拟合法建立的模型。 如果将影响负荷的各种因素联合起来看成一个大系统，那么它兼有确定性和不确定性，本征性和 非本征性灰色系统的特征，实际的负荷历史资料能够清楚地显示其灰色系统特征，年、月、日负 荷既有逐年增长趋势的确定性一面，同时又有每年每月每日负荷值随机变化的不确定性的一面， 因此可以利用灰色系统理论来研究电力系统负荷预测灰色系统预溯法引入电力系统负荷预测领 域以后，较好的克服了概率统计的弱点，使原始序列的随机波动性影响减弱，而且所需的信息量 少、原理简单、运算方便、短期预测精度高，有效地解决了常规预测方法的难以解决的问题但 是，g m ( 1 ，1 ) 模型也存在一定局限性目前，对于g m ( 1 ，1 ) 模型的改进方法主要有对原始序 列进行平滑1 9 1 、局部残差修i e t l 0 1 及等维新息模型、无偏灰色模型1 2 1 和灰色递阶模型等几种 其中，残差g m ( i ，1 ) 模型在实际应用中最为广泛，但其预测精度仍不够理想【i j ( 2 ) 回归分析法 回归分析法是在假设负荷值同一个或多个独立变量之间存在着某种因果关系的条件下，寻 找负荷值与各影响因素之间存在的相关关系及其回归方程式，即确定适当的函数类型和相应参 数，拟合一条最佳曲线。将此曲线外延至未来适当时刻，在已知自变量取值时得到因变量的预测 值根据影响因素个数的不同可将回归方法分为一元回归和多元回归；由拟合曲线的不同，又可 分为线性回归、对数回归、指数回归等。由于电力系统的负荷具有非线性性和动态性，尽管回归 分析法考虑了影响负荷变化的诸如天气情况之类的因素但在使用时主要采用一元或多元线性回 归，预测精度仍然不能满足需要即使某些模型考虑到负荷与影响因素之间的非线性性，也只是 通过简单的变量代换来拟合这种非线性关系，而不能真正正确反映他们之间的关系。 传统的负荷预测方法和模型原理简单，计算量小、运算速度较快，对正确预测电力负荷做出 过重要贡献，但由于影响因素的多样性、突发性和随机性，这些方法的鲁棒性没有保障，预测精 度往往不高。随着社会、经济的快速发展，以及各种新机制的引入，这些方法的缺陷和不足越来 越明显，已经不能满足电力系统负荷预测的要求 1 3 2 现代预测方法 随着计算机技术的日新月异。人工智能( a r t i f i c i a li n t e l l i g e n c e ) 术的兴起，电力系统自动化 4 中国农业大学硕士学位论文第一章绪论 程度的提高，负荷预测迅速进入了使用不确定性理论和智能技术进行负荷预测的历史新阶段电 力负荷具有非线性、模糊性、随机性和复杂性等特点，目前解决这类复杂系统问题的比较有效的 方法是采用人工智能技术和不确定性理论。这方面主要包括专家系统、模糊系统理论、混沌理论， 人工神经网络理论，支持向量机等，并在电力系统的负荷预测中取得了很大的成功，下面就这几 种新兴的方法作一简单介绍 ( 1 ) 专家系统预测技术“” 实践证明，由于电力负荷的复杂性、随机性和时变性。精确的预测结果不仅需要高新技术的 支持，同时还需要融入人类自身的经验和智慧，从而专家系统预测法应运而生 所谓专家系预测统法，就是对数据库里存放的过去几年甚至几十年的每小时的负荷和天气数 据进行细致的分析，并汇集有经验的负荷预报人员的知识，提取有关规则，按照一定的规则推理 进行负荷预测所以一个完整的专家系统是由四部分组成的，即知识库、推理机、知识获取部分 和解释界面。 专家系统法是对人类的不可量化的经验进行转化的一种较好的方法，是人工智能中最为有效 和成功的分支，它能模拟人类专家的思维、决策过程，对求解问题给出相当于专家水平的答案。 鉴于运行人员经验的重要性和专家系统理论的日益成熟，把专家系统应用于短期负荷预测是切实 可行的。有效的专家系统是建立在气象、负荷及日负荷分布之间的逻辑型和句法型关系基础上的， 它能帮助经验不足的运行人员识别各种日类型，天气，特殊事件等对负荷的影响，得出较为精确 的负荷预测结果 专家系统法的优点在于：能汇集多个专家的知识和经验，最大限度地利用专家的能力； 占有的资料、信息多，能充分考虑影响负荷变化规律的因素有利于得到较为正确的结论： 预 测人员根据获得的知识可以填充知识库，以便提高预测精度但是，该方法也存在着一些局限性： 必须对几年甚至几十年的数据进行调查、分析、提取，将花费大量的时间和人力物力和财力； 提取有关规则较为困难，通过仔细分析，即使知道某些复杂的因素( 如天气因素) 对负荷的变化 有影响，但要准确、定量地确定他们对负荷的影响也常常是很困难的事 ( 2 ) 混沌理论i l ”卅 混沌理论用于描述确定性非线性系统的内在随机性，具有对初始条件敏感、遍历性、规律性 等特点，符合电力系统负荷预测的内在要求由于混沌是介于确定性与随机性之间的一种行为， 因此，混沌运动长期是不可预测的然而。由于混沌行为中奇怪吸引子的存在，使得短期预测是 可行的1 9 9 4 年，m o i l 和u r a n o 提出了一种用混沌时间序列分析短期负荷预测的方法几年后， 国内学者也提出了基于混沌时间序列的负荷预测方法由于混沌理论在处理非线性问题方面的强 大功能，使得基于其理论的负荷预测方法无论在处理能力、计算速度，还是在预测精度上，都得 到了很大的提高混沌时间序列方法成为电力系统负荷预测的一大研究方向 近年来广泛用于电力短期负荷预测中的混沌预测模型的延迟重构仅针对历史负荷这一单变 量的时间序列尽管理论上来说只要嵌入维数选取合理，单变量时间序列也可取得较理想的预测 效果但事实上由于时间序列长度有限且往往存在噪声，预测效果受到很大影响。文献【7 】将单变 量时间序列相空间拓展到多变量时问序列中，相空间重构了由历史负荷及其相关因素序列所构成 的多变量时间序列，计算了多变量时间序列的嵌入维数和延迟时闻研究证明，多变量时间序列 由于包含了更丰富更完整的系统信息，能重构出更为准确的相空间，其预测效果明显优于单变量 5 中国农业大学硕士学位论文第一章绪论 重构技术 ( 3 ) 人工神经网络法( a n n ) 在过去十多年中，人工神经网络发展速度令人惊叹，各种各样的模型和学习算法层不出穷， 它的应用已遍及许多领域。 人工神经网络是由处理单元组成的一种并行，分布式信息处理结构，处理单元之间可以按连 接的单向信道相互连接人工神经元是神经网络的基本计算单元，它模拟7 人脑中神经元的基本 特征，一般是多输入、单输出的非线性单元。可以有一定内部状态和阈值 电力负荷是一个随机、时变的非线性系统，对于这样一个系统，原有的一些基于线性理论的 负荷预测方法往往不能奏效，而人工神经网络提供了一个很好的解决办法早在1 9 9 0 年p a r k 等 人就把人工神经网络应用于电力负荷预报中1 2 l j 人工神经网络方法能够充分逼近任意复杂的非线 性关系，而且可以不必预先知道输入量和预测值之问的数学关系模型，因此可以方便地考虑温度、 湿度、风力、降雨量，电价等对电力系统负荷起影响的因素另外神经网络还具有联想记忆的功 能。即使输入一个从未训练的输入信息，它也能找到相应的输入，只要更新它的权，它就可以适 应环境的变化因此，人工神经网络算法在解决精确短期负荷预报中，取得了一系列良好效果， 被认为是短期负荷预测较为理想的方法之一 在负荷预测的研究中，应用最多的神经网络模型是b p ( 反向传播) 算法，它是多层感知器 的一种有效学习算法，它把一组样本的输入输出问题变成非线性优化问题，使用了最优化目题和 其中最普遍的梯度下降算法，用迭代算法求解权值，加入隐节点使优化问题的可调参数增加，从 而可得到精确解 ， 但是神经网络也有自身的缺点，在训练过程中，常用训练算法收敛速度缓慢、容易陷入局部 极小的缺点解决的办法之一是用不同的初值对权值初始化。对网络多次训练，直到每次训练后 的误差基本稳定，此时可认为网络已收敛于全局极小点，但这一过程非常浪费时间为此。许多 研究者利用最优化方法提出了各种不同的改进b p 算法，如动量法、可变学习率法，共轭梯度法 等，但大都基于克服训练错误。从概率统计的角度说神经网络的学习算法采用经验风险最小化 原理( e 砌田，仅仅试图使经验风险最小化，并没有使期望风险最小化，与传统的最小二乘法相比， 在原理上缺乏实质性的突破，同时也缺乏理论依据总之，神经网络学习算法缺乏定量的分析与 机理完备的理论结果 ( 4 ) 模糊系统理论( f u z z ys y s t e m ) 随着模糊集理论的发展和研究的深入模糊集理论本身所具有的强大的优势逐渐被人们所认 识在这一过程中，诸多基于模糊逻辑系统的短期负荷预测方法在9 0 年代中期出现了 模糊逻辑预测法应用模糊逻辑和预报人员的专业知识将数据和语言形成模糊规则库，然后选 用一个线性模型逼近非线性动态的系统负荷l a m b e r t m l 等人是将模糊专家系统应用于电力系统 短期负荷预测中的先驱之一模糊预测方法用模糊理论及方法去综合分析电力负荷与各种因素之 间关系，化众多不确定信息为确定，以相就的模糊矩阵来描述电力负荷需求量，用模糊集合论的 原理求解负荷变化规律，可以说它所表示的事物间的联系更近于实际，用它来解决负荷预测问题 是一种极有意义的探索 从实际应用来看，单纯的模糊方法对于负荷预测，精度往往不尽如人意，这主要是因为模期 预测没有学习能力，这一点对于不断变化的电力系统来说，是极为不利的 2 4 1 因此，为了充分利 6 中国农业大学硕士学位论文 第一章绪论 用模糊逻辑系统的优越性，常常将其与其他方法结合起来运用以期得到理想的预测效果l a m b e n 在文献【2 5 】中首次将模糊逻辑引入电力负荷预测时，首先训练人工神经网络产生评估负荷的预测 模型，然后用模糊逻辑方法处理负荷及天气情况变化情形下的预测值，并在文献 2 6 】中把传统的 计算方法与模糊概念结合起来提出了一种短期配电负荷预测方法在模糊逻辑系统得到广泛重视 的同时，一些学者努力寻求传统预测技术与模糊集理论的结合点，并取得可喜成果文献 2 7 1 运 用模糊指数平滑法和模糊线性回归法对电力系统中长期负荷进行预测，实验证明由于这两种方法 基于传统预测方法，因此算法简单、计算速度快，同时因为使用了模糊技术，得到的预测结果具 有精度高，并能提供负荷的一个预测区间等优点，尤其在原始数存在不确定性时。更有着常规预 测方法无可比拟的优越性类似的文献还有很多，在此不作赘述 随着a n n 研究的深入。其本身固有的缺点逐渐显露由于a n n 和模糊系统( f s ) 两者之间存 在着非常强的互补性 2 s l ：a n n 不能利用模糊信息，经训练的a n n 是不透明的“黑箱”，a n n 高 度分布化的知识表示，使得人们难以理解a n n 的信息处理过程，而f s 则是“透明”的，但存在着 较弱的学习能力于是两者优势互补、相互结合的研究方法成了年代中期进行短期负荷预测 研究的热点 2 9 - 3 2 但是，此方法要求拥有较多的历史负荷资料和环境因素资料，并要对未来的环 境因素作出正确的预计，这使它的应用受到一定的限制 ( 5 ) 支持向量机( s u p p o r t v e c t o r m a c h i n e s ，s v m ) 作为统计学习理论中结构风险最小化准则( s 灯i l c t i l r i s k m i n i m i z a t i o n ，s l i m ) 的具体实现， 支持向量机具有结构简单、全局最优、泛化能力较好的优点，近几年得到了广泛的研究 3 s j ，被认 为是人工神经网络方法的替代方法1 3 4 1 s v m 方法最早是针对模式识别问题提出来的，随着e 不 敏感损失函数的引入，s v m 已推广到非线性系统的回归函数估计，并展现了较好的学习性能 支持向量回归模型的基本思想是先逶过非线性变换j - h 州力，将输入空间映射到高维的特 征空间( i i i l b c f t 空间) ，然后在高维特征空间中进行线性回归其间通过核函数这一手段巧妙的将 高维特征空间中的内积运算转化为低维输入空问中的一个简单的函数运算，降低了计算的复杂 性将其应用于电力系统负荷预测，可有效地克服数据有限性、不完整性及影响因素复杂性等对 预测结果的影响，发挥独特优势、实现经济价值 目前对s v i v l 的研究已经开展得如火如萘，已经应用到各行各业中，为了在实际应用中得到 更精确的结果，研究者们对算法作出各种各样的改进针对各训练样本重要性的差异，文献 3 5 】 提出了给各个样本的惩罚参数c 和误差要求参数赋予不同权重的加权支持向量回归方法，使回 归曲线更靠近该重要的样本点，结果证明这对提高预测精度来说是一种很有效的改进办法文献 【3 6 1 - 3 8 在支持向量机的基础上提出了基于时间序列的s v m ，最小二乘支持向量机和基于遗传算 法的支持向量回归机。国内也有相当多的文献研究各种s v i v l 方法，都得到了比较理想的结果 s v m 算法的实现最终归结为解决一个线性约束的二次规划阀题，原则上可以直接使用内点 法等最优化的方法由于传统优化算法在存储和计算量两方面的要求很高，同时s v m 中的最优 化问题具有一些非常好的特性，如解的稀疏性和最优化问题的凸性等，人们开始研究设计专门针 对支持向量机的新算法，主要有选块算法( c h u n k i n g ) 、分解算法( d , ，c o m p o s i n g ) 和序列最小最优算 法( s e q u e n t i a l m i n i m a l o p t i m i z a t i o n , s m o ) 。选块算法的思想最早是在1 9 9 5 年，由c o r t e s 和p n 世明 提出的；其目标是找出所有的支持向量，因而需要存储相应的核矩阵，当支持向量很多时，选块 算法会遇到困难0 1 m a a 。o 于1 9 9 7 年提出了分解算法。后来又由j o - d b i l m 【4 1 1 等人对其进行了改进； 7 中国农业大学硕士学位论文第一章绪论 分解算法将求解一个二次规划问题转化为求解一系列规模较小的二次规划问题，使每个二次规划 问题只涉及训练集中一部分样本；j o a c h i m s 提出的一些启发式的迭代策略有助于提高算法的收敛 性，其基本思想是，如果存在不满足k k t 条件的样本点，则以某种方式选择一个由q 个样本点 组成的工作集，在这个工作集上求解二次规划问题，其它样本点保持不变，重复这一过程，直到 所有样本点都满足k k t 条件s m o 算法是p l a t i 【4 2 1 于1 9 9 8 年提出的，该算法是分解算法的一个 特例，将工作集缩减到最小，即每次只修改两个样本点的l a g r a n g e 乘子。从而使原问题可以通过 解析的方法加以解决，避免了内循环中的q p 优化。提高了子闯题的运算速度 s v m 算法是一个新的算法，同其它任何新算法一样也存在一定的不足，也需要不断的发展 和完善其中，s v m 标准算法的扩展是一个重要的研究方向；s v m 模型选择也是目前研究热点 之一，尤其是核的选择以及核参数的选择等可见，s 、传订的研究还是任重而道远的，研究该方 法在负荷预测这个特定领域的应用也是有其现实意义的 1 3 3 优选组合预测法 从上面的介绍可以看出，不同的预测模型的理论基础和采用的信息资料是不相同的同时， 影响电力负荷预测的因素众多，预测指标规律各异，变化趋势性随机性强，很难用单一的模型来 拟合它为了综合利用各模型的优势，近年来提出了优选组合预测的思想。 将多种不同的预测方法进行适当组合，综合利用各种方法提供的信息，便形成所谓组合预测 方法 4 3 j 。组合预测的方法关键在于怎样确定组合预测中各个预测方法的权重系数才能使预测值与 实际值达到最佳拟合。根据组合预测确定权系数的不同，将组合预测模型分为固定权系数组合预 测模型和变权系数组合预测模型其中固定权系数组合预测的研究已取得一定的进展 4 3 1 ，但变权 系数组合预测的研究才刚刚起步文献【4 4 】就给出了电力系统负荷的基于神经网络的变权系数组 合预测模型，将多种预测模型的预测值作为输入，用变动量因子和变学习率的b p 算法进行训练， 训练后的网络具有很高的预测精度。 优选组合预测模型的优点在于将各种预测效果进行总体性综合考虑，比单个预测模型更系 统、更全面，且b a t e s 4 4 和g r a n g e r 证明2 种或2 种以上无偏的单项预测可以组合出优于每个单 项的预测结果，能有效地提高预测精度；其缺点是在预测的过程中权重的确定比较困难，由于未 来各种起作用因素的发展很难预料。在预测的过程中不可能将所有因素都包括在模型中，这在 一定程度上限制了预测精度的提高。 综上所述，各种预测方法各有利弊，迄今为止还没有一种方法能保证在任何情况下都能获得 满意的预测效果我们必须针对实际情况认真分析，选择合适的方法和模型来进行负荷预测，使 其最大限度的接近真值 1 4 本文的主要工作 本论文的主要工作是将支持向量机方法引入到中短期负荷预测领域中来，通过算法的修正使 其更适合于电力系统的负荷预测，并在n e t 平台上实现基于w e b 的电力负荷预测系统具体来 说，包括以下几个方面的内容： 8 中国农业大学硕士学位论文第一章绪论 ( 1 ) 了解电力系统的各种负荷预测技术和方法，分析它们各自的优缺点和适用范围；收集 整理负荷原始数据 ( 2 ) 学习s v m 的理论基础统计学习理论，理解支持向量机分类和回归模型，分析其存 在的优势，并探讨各参数对s v m 性能的影响，找出参数选取的一般方法 ( 3 ) 对标准支持向量机方法进行改进，使其更适合于电力系统的负荷预测对华北某市电 力公司提供的月用电量数据进行研究和分析，找出其中规律，提出适合于工业初步发展的发展中 城市的负荷预测方法。 ( 4 ) 开发基于w e b 的电力系统负荷预测软件，该软件包含多种长、中、短期的负荷预测方 法，并根据用户的权限决定用户的使用范围 1 5 本章小结 本章介绍了电力系统的负荷预测的含义、分类及各种分类方法的作用，探讨了本课题的研究 意义，并分析了目前国内外常用的几种预测模型的优势与不足，其中重点介绍了使用不确定性理 论和智能技术的现代预测方法在电力系统中的应用 9 第二章支持向量机及其理论基础 统计是我们面对大量数据而又缺乏理论模型时最基本的分析手段，基于统计数据的机器学习 主要研究如何从一些观察数据出发得出目前尚不能通过原理分析得到的规律，利用这些规律去分 析客观对象，对未来数据或无法观测的数据进行预测但传统统计学中的诸多结论，是在样本数目 足够多的前提下进行研究的，所提出的各种方法和结论只有在样本数趋向无穷大时其性能才有理 论上的保证。而在多数实际应用中，样本数目通常是有限的，这使很多传统统计方法都难以取得理 想效果我们的研究目标也就是如何使经验风险最小的学习算法同时能取得较小的期望风险 2 1 机器学习 如果一个系统能够通过执行某种过程而改进它的性能，我们称之为学习学习就是系统获取 知识。使其本身能力增强或者改进的自我完善过程，使其在下次执行同样的任务或类似的任务时， 能做得更好、效率更高以及适应性更强。而机器学习则是用机器来模拟人类学习活动，使机器能 够在识别现有的知识基础上自动获取新的知识，并不断完善其性能它是现代智能技术中一个重 要的研究领域，也是该领域核心课题之一 2 1 机器学习问题的表示 图2 - i 机器学习问题的基本模型 机器学习问题的基本模型如图2 - i 所示其中，产生器g 生成随机向量j 肜，它们是从固 定但未知的概率分布函数p ( 曲中独立抽取的；系统s 是我们要研究的对象，它对每个给定输入善 返回一个输出y ，产生输出的根据是同样固定但未知的条件分布函数p i d ；u 是我们要求 的学习机，能够实现一定的函数集矿( m ) ) ，其中国q ，q 是参数集合 机器学习的任务就是根据给定的已知训练样本，从给定的训练集矿( 毛功 中选择出能够最 好地逼近系统响应的函数机器学习问题可以形式化地表示为；根据，个独立同分布的观测样本 ( 五，乃) ，( 毛，咒) ，( 西，乃) ，在一组函数矿“砷) ( f o e q ) 中求出一个最优函数，( 薯也，o ) 对 系统的响应进行估计，使期望风险最小其中，期望风险表示为： r ( 国) = l 三o ，( 毛缈) ) d 尸( 毛力 ( 2 一1 ) 式中，p ( 五y ) 未知的概率分布函数； 上0 ，厂( 毛m ) ) 损失函数 1 0 中国农业大学硕士学位论文 第二章支持向量机及其理论基础 对于不同类型的机器学习问题有不同形式的损失函数根据损失函数的不同，可将机器学习 问题分为三大类，分别是模式识别，回归函数估计和概率密度估计，本文主要研究其中的函数回 归估计 2 1 2 经验风险最小化原则( 日甲ir i c a ir i s k _ i n i m i z a t i o n ，简称e r i i ) 在实际的机器学习问题中，我们并不知道也无从知