野草算法和支持向量机相融合的短期负荷预测

摘 要： 短期负荷受到天气、季节的综合影响，具有一定的混沌性，为了准确描述短期负荷的变化趋势，以提高预测精度，提出一种野草算法和支持向量机相融合的短期负荷预测模型（WA?SVM）。首先收集大量的短期负荷历史数据，并对它们进行混沌分析和处理，建立支持向量机的训练和测试样本集；然后采用支持向量机建立短期负荷预测模型，并通过野草算法找到支持向量机最优参数；最后采用短期负荷预测仿真对比实验测试其性能。结果表明，WA?SVM获得了比其他模型更高的短期负荷预测精度，为短期负荷建模与预测提供了一种新的研究方法。

关键词： 电力系统； 短期负荷； 野草算法； 相空间重构

中图分类号： TN915?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）19?0099?03

Abstract： The short?term load has the chaos characteristic due to the comprehensive influence of weather and seasons. In order to describe the change trend of short?load accurately and improve the prediction accuracy， a short?term load forecasting model fusing weed algorithm with support vector machine （WA?SVM） is proposed. A large number of short?term load historical data is collected， and performed with the chaotic analysis and processing to establish the training and testing data sets of support vector machine. And then the support vector machine is used to establish the short?term load forecasting model， and the weed algorithm is used to find out the optimal parameters of support vector machine. The performance of the short?term load forecasting was tested with simulation contrast experiment. The results show that the short?term load forecasting accuracy of WA?SVM model is higher than that of other models， and this model provides a new research method for short term load modeling and forecasting.

Keywords： electric power system； short?term load； weed algorithm； phase space reconstruction

0 引 言

随着经济不断发展，电力系统在许多领域越来越重要，为了准确、有效地管理电力系统，电力负荷是其中一种重要手段。负荷预测是对历史数据进行分析，找到负荷变化趋势，以便于对电力系统进行相应的管理，短期负荷预测的实际应用性强，因此提高短期负荷预测的精度已成为电力系统研究中的一个热点问题[1]。

当前短期负荷预测模型划分为线性模型和非线性模型[2]。线性模型假设短期负荷呈线性趋势变化，主要采用时间序列方法[3?4]，其易实现、结果解释性好。但负荷受到多种因素影响，变化十分复杂，具有时变性、非线性，时间序列方法无法捕捉到负荷数据隐含的变化趋势，预测结果不理想[5]。非线性模型有神经网络、支持向量机（Support Vector Machine，SVM）等，相对于线性模型，它们可以更好地拟合短期负荷变化特征，获得更高的短期负荷预测精度[6?7]。但在短期负荷的建模与预测中，非线性模型同样有不足，如神经网络存在收敛速度慢、过拟合[8]；SVM参数直接影响到短期负荷预测精度[9]，为了获得更优的SVM参数，当前采用网格搜索法、遗传算法等进行SVM参数寻优，但在实际应用过程中，网格搜索法执行时间长、遗传算法寻优结果不稳定[10]。同时短期负荷具有一定的混沌性，建模时需要对数据进行混沌分析和处理[11]。

为了准确描述短期负荷变化趋势，以提高预测精度，提出一种野草算法和支持向量机相融合的短期负荷预测模型（WA?SVM）。首先对短期负荷历史数据进行混沌分析和处理，然后采用野草算法和支持向量机建立短期负荷预测模型，最后进行短期负荷预测仿真实验，对模型预测性能进行验证。

1 支持向量机和野草算法

4 结 语

短期负荷具有不确定性与复杂性，为了获得更高精度的短期负荷预测结果，提出一种WA?SVM的短期负荷预测模型，并与其他模型进行了对比分析，测试了WA?SVM进行短期电力负荷预测的有效性和优越性，结果表明，WA?SVM准确地描述了短期负荷变化趋势，获得了比对比模型更优的短期负荷预测的结果，而且训练时间更少，在电力管理领域中具有广泛的应用前景。

参考文献

[1] 魏伟，牛东晓，.负荷预测技术的新进展[J].华北电力大学学报，2002，29（1）：10?15.

[2] KELO S M， DUDUL S V. Short?term Maharashtra state electrical power load prediction with special emphasis on seasonal changes using a novel focused time lagged recurrent neural network based on time delay neural network model [J]. Expert systems with applications， 2011， 38（3）： 1554?1564.

[3] 刘晶，朱锋峰，林辉，等.基于相似日负荷修正算法的短期负荷预测[J].计算机工程与设计，2010，31（6）：1279?1282.

[4] 王继选，刘小贞，韩中合.基于多约束条件的电力负荷预测模型的研究[J].华东电力，2013，41（3）：643?645.

[5] 王勇，黄国兴，彭道刚.带反馈的多元线性回归法在电力负荷预测中的应用[J].计算机应用与软件，2008，25（1）：83?84.

[6] 郭新辰，王雪峰，冯英浚.采用神经网络进行电力系统短期负荷预测的一种降维方法[J].华北电力学院学报，2002，22（2）：24?28.

[7] 程玉桂，黎明，林明玉.基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析[J].计算机应用，2010，30（1）：224?226.

[8] 翟永杰，周倩，韩璞.EMD?ISMO算法在电力负荷预测中的应用[J].系统仿真学报，2010，22（12）：2858?2861.

[9] 杨延西，刘丁.基于小波变换和最小二乘支持向量机的短期电力负荷预测闭[J].电网技术，2005，29（13）：60?64.

[10] 姜惠兰，刘晓津，关颖，等.基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测[J].电网技术，2006，30（8）：81?85.

[11] 权先珍，蒋传文，张勇传.电力负荷的混沌预测方法[J].华中理工大学学报，2000，28（7）：92?94.

[12] MEHRABIAN A R， LUCAS C. A novel numerical optimization algorithm inspired from weed colonization [J]. Ecological informatics， 2006， 1（3）： 355?366.

[13] 程其云，孙才新，张晓星，等.以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法[[J].电工技术学报，2004，19（10）：53?58.