电力日负荷预测中FAPSO与SVM融合算法的应用

摘 要 现代电力系统中，通过预测电力日负荷，有效的调整自我运行，可以指导电网调度，提升电力运行整体的安全性。通过新算法的提出，使得电力日负荷更加准确，主要便是基于FAPSO与SVM两种算法的融合，提出对应的计算模型，通过FAPSO的最优数值寻找能力，便于SVM寻找最优因子。因此，文中首先介绍了两种计算方法，并且就两种方法融合后提出了新的模型，望带来借鉴。

【关键词】电力日负荷预测 fapso与svm 融合算法模型

在电网供电的日常管理中，通过现代计算方法预测电力系统的短时间负荷，使得电力供应的管理调整与优化更加富有依据。因此，在现阶段供电系统的管理热点中，很大一部分便是需要了解电力日负荷，并且针对其做出精准预测。伴随着的时代的进步，各种计算方法也逐渐日趋统一，通过笔者的个人工作经验，将FAPSO计算方法与SVM算法融合，进而形成了一种新的计算方法，并且通过该计算方法建立模型，通过模型的工作预测电力日负荷，以某市日负荷为例，做出精确分析。

1 FAPSO计算方法

FAPSO计算方法属于一种快速计算方法，进而真正的落实到计算中，初始段需要比较大规模的搜索，并且由于整体搜索量过大，会带来比较严重的惯性权重，而且相近的粒子也会存在差别较大的适应性；一旦当粒子可以选取在最优范围内，便可以开展后续的精细搜索，而且不同的情况也会带来不同的处理方法。当涉及到电力的日负荷预测时，便应该通过调整惯性权重的数值，使得粒子的自身适应性达到最强。具体的相邻迭代过程之中，粒子的适应性变化势必会引发能量的变化，并且对应的能量变化公式应该为：

Q=Oy（x+1）-O1（x）

在公式中，Oy（x+1）代表了粒子的具体数目为y，然后于x+1次迭代中出现了适应情况，并且x代表了具体的适应值。实际的日负荷计算中，调整能量变化值，然后其与惯性权重呈现了函数关系，进而表现了具体的额算数关系，使得FAPSO计算方法更为全面，而且适应性更强，进而满足了日负荷预测的要求。

2 SVM算法

SVM算法又被称为向量机回归算法，通常首先确定自身的样本集合，将具体的两列数据分属于各类样本特征，并且根据具体的计算方法将样本数入，并且在具体的集合中寻找最优值。在SVM算法中，同样需要惯性权重的作用，并且需要在具体的表达式中体现对应的高维映射，进而通过计算得到自身的惩罚因子以及正规化部分，真正的将所有计算参数规定完成，方可以开展SVM算法，其中主要便是通过损失函数、惩罚因子以及松弛变量，便可以支持向量机回归算法，而具体的表现为其对应的上下限。在本文的模型构建中，采用的是高斯模式，确定对应拉格朗日因子，得到最后的计算公式。SVM计算方法中主要包含了两点的主要思想：其一便是分析了线性可分情况；其二便是一旦线性不可分，便可以使得其输入低维空间的空间线性样本向高维特种空间转化，最后完成线性可分，使得任何状况下线性条件都处于可分状态。其通过不同的核心函数计算，也会存在自身的不同表达形式。将SVM计算方法简化，便是其便是升维和线性化，也就是将低维空间的向上空间做映射，不过此种方法在实际计算中很少有人应用。但是一旦利用比较巧妙，便可以解决很多馋鬼中无法解决的问题。其改善了线性模型的，而且计算仍然比较简便，避免了可能发生的“维数灾难”，使得其应用领域更加广阔。

3 基于FAPSO的SVM模型建立

3.1 算法基础

在传统的SVM计算方法中，其自身的各类重要参数主要便是核函数、损失函数以及惩罚因子。通过三项参数的确定，使得SVM整体模型更加精确。三项参数都表达了具体的模型复杂程度，在传统中，确定三项参数使得模型建设工作比较困难，进而在模型建设中利用FAPSO的最优粒子寻找能力，降低SVM算法中模型寻找的能力，进而真正的优化模型建设过程。在电力日负荷预测中，在笔者的模型建设过程中，将某市的全日用电数据作为样本输入到SVM模型中，进而将SVM的三项重要参数作为FAPSO的例子，通过其寻找最优向量，然后建立预测回归模型，最后得到FSPSO-SVM模型。实现模型中，具体的运算过程为：首先初始化两方面参数，主要的便是FAPSO计算方法的各项参数，通过将各项参数得到确定，例如将迭代次数设置成为1000次；其次便是确定适应度的计算函数，通常会提出具体的计算函数表达式，将初始化其中所包含的各类数值都包含在内，并且通过计算方法得出粒子的适应值，根据对应的适应值推出局部最优解；然后便是挑选过程，主要便是在局部数值中间挑出最优数值，然后根据惯性权重的计算来推导下一颗粒子；最后便是判断最优解是否为有效结果，如果不是则继续测算。当最优解得到后，便可以根据最优解建立相应的模型，模型中只要的运算逻辑便是依靠SVM计算方法开展计算的，并且通过模型的运算，可以使得整点负荷都成为数值的表达形式，进而根据实际情况采取一些局部纠正。

3.2 分析结果

在探讨电力日负荷预测中，根据某市的一日负荷作为样本数据，城市的具体日期选择完全按照随机模式选取，当样本数据输入后，便可以根据算法来开展预测，并且通过FAPSO来寻找最优参数，进而可以开展预测。通过的预测结果的分析与论证，可以发现通过两种计算方法的结合，使得传统的计算方法得到了有效提升，并且真正的做到了优化，预测的结果也更加准确。

4 总结

总之，FAPSO算法比较适合SVM，通过其优秀的寻找能力帮助SVM快速定位，提升了自身的优化选择性能，进而使得两种算法更为有机的结合在一起。当结合后，文中将此种算法作为模型构建基础，使得电力日负荷预测更加准确。文中见解尚显浅薄，望做到抛砖引玉，引起有识之士的思考。

参考文献

[1]赵遥李晓婷，张昊.基于FAPSO与SVM融合算法的电力日负荷预测[J].华北电力技术，2015（9）：45-48.

[2]虞尚智.机器学习算法在短期电力负荷预测中的应用[J].科学技术与工程，2013， 13（8）：2231-2234.

[3]杨再鹤，向铁元，郑丹.基于小波变换和SVM算法的微电网短期负荷预测研究[J].现代电力，2014，31（3）：74-79.

作者单位

周口师范学院 河南省周口市 466000