基于智能配電網環境的負荷預測分析

（國網漢中供電公司，陜西省漢中市，723000） 魏 山

1 智能配電網環境下的負荷特性

當前通信技術與控制技術發展較為迅速，技術水平較為先進，智能電網本身具備安全性、兼容性、全面性、系統性等一系列優勢。智能電網內部主要是由智能輸電網、智能配電網兩部分組成，其中智能配電網本身承擔著提供電能的功能，同時在可再生能源接入時，還承擔著緩解電網內部負荷平衡的問題。在當前電力系統的規劃、調度工作中，精準的負荷預測工作十分重要，這也是電力系統正常運作的基礎，因此，必須要保證短期負荷預測的精準度。在智能配電網環境下，負荷的特點如下所示：①可以精準預測電網實際負荷，并與自身實際情況結合，做到合理安排用電；②可以對電力系統內部發電機組的啟動和控制進行合理控制，實現發電容量的合理調度，以此降低成本、減少浪費的現象；③可以隨時預測電網負荷變化情況，以此實現掌控電力市場，合理定價的目的。

2 短期負荷預測的要求及步驟

2.1 短期負荷的要求

短期負荷通常以負荷過往的數據為基礎，建立專門的數學模型，使其能全面展現出負荷的變化規律，并精準預測未來某個時刻的負荷。因此，在實際預測過程中，應當綜合考慮各類因素，例如：負荷水平、天氣等因素影響，都需要考慮在內。由此可見，需要考慮以下幾點：①歷史數據是否合理；②預測手段是否先進；③所建立的數學模型是否考慮到地域特點、預測日期、天氣狀況，以此使實際所構建的預測模型能將負荷發展趨勢充分反應出來；④預測模型本身是否適用，需要綜合考慮未來預測量本身的發展以及相應變化。對于不同的預測模型，需要考慮預測效果，再選擇合適的參數。

2.2 短期負荷預測的步驟

短期負荷通常以負荷過往的數據為基礎，建立專門的數學模型，使其能全面展現出負荷的發展變化規律，測出最精準的結果。

2.3 預測模型的評價指標

預測誤差通常是指負荷預測值和實際的負荷值二者之間的偏差，負荷預測準確率也就是預測值和實際值二者之間的比值。通常來看，準確率高低與預測值準確度呈現出正比關系，準確度越高，預測值與實際值越接近，因此，需要重視預測誤差的分析。通常有以下幾種指標對其預測模型好壞進行評價。

（1）絕對誤差

（2）相對誤差

（3）平均絕對誤差

（4）平均相對誤差

（5）均方誤差

（6）均方根誤差

（7）標準誤差

在這其中，不同參數代表含義如下：參數yi、、n、m 對應的參數解釋分別為：第i 點的實際負荷、第i 點的預測負荷、歷史負荷數據的個數、自由度，主要是指自變量和因變量個數的總和。

在進行實際的測量中，對于評價指標的選取，通常會選取如下指標：絕對誤差（AE）、相對誤差（RE）、平均絕對誤差（MAE）。

2.4 樣本的選擇

對于預測對象歷史數據選擇，需要注意應當基于以下原則：①對于其中的預測樣本集、訓練樣本集需要選定在同一個季節，主要是為了盡可能忽略季節變化對于負荷本身的影響。這樣就可以充分利用負荷水平等相關因素本身的規律性，以此進行短期負荷預測。其中的訓練樣本集需要選擇特征相同的數據輸入到模型中，主要是為了能有效提高預測的精準度；②需要對預測對象輸入模型歷史數據進行仔細挑選，具體到日期、類型等，盡可能提高預測模型的精確度；③在對負荷預測模型進行監測時，需要充分考慮負荷自身特點、天氣因素等方面的作用和影響，其中日期類型也包含休息日、工作日等。

3 人工魚群優化PSO-LSSVM 的短期負荷預測研究

3.1 最小二乘支持向量機(LSSVM)模型

3.1.1 回歸原理

LSSVM算法是SVM的一種改進算法，其回歸函數如下所示：

在這其中，b 為片質量，ω 為權向量，φ(x)為非線性映射。

在此條件下，LSSVM的優化問題可以轉化為以下公式：

在這其中，ei是誤差，e∈Rl×1是誤差向量

引入Lagrange 乘子的λ，λ∈Rl×1可以將公式（2）轉化成為：

由KKT條件可以得到：

消除其中的ω和e，可以得到公式（5）的解：

在上述公式中，λ=[λ1，λ2…,λl]T為l×1維列向量，其中Y=[y1,y2…，yl]T，在這其中，I作為單位矩陣 ，K作為核函數，K(xi,xj)=φ(xi)Tφ(xj).

因此，LSSVM的預測模型為：

在這其中，K(xi,xj)為核函數。

3.1.2 基本流程

在使用LSSVM算法建立負荷預測模型時，需要注意的一點就是，必須先確定標準化核參數σ和正則化參數C，主要是由于其中的標準化核函數的參數σ可以定義非線性映射函數φ（x）的基本結構，也可以將LSSVM 參數自身相關性充分反映出來。在對其進行實際應用期間可以明顯發現，如果其中的σ過大，那么其中的LSSVM 就會欠缺對應的訓練。相反，σ如果比較小，那么就很容易形成過度訓練，以此產生對應的局部優化，發揮出局部優化的效果。若發現參數C本身的值太大，那么可以說明，其中對于偏差的懲罰也比較大，因此，所滿足的點也相對較多，而且很容易形成過度學習的問題；相反，若C值太小，那么也就可以從側面表示，對偏差懲罰相對較小，那么如果曲線過回歸到平坦狀態，這樣就容易出現欠缺學習的問題。

對于短期負荷預測輸入的樣本集，具體如下所示：①對于預測日之前的一天，且同一個預測點的負荷；②預測前一日的日期類型值；③預測日期本身的溫度、濕度、平均溫度濕度等；④預測日前兩天的，同一個預測點的負荷，還有預測過程中的天氣狀況，例如：天氣是晴、多云等。其中需要注意，輸出值作為該預測日當天某一時刻的復合值。

根據以上論述可以明顯看出，LSSVM算法建立短期負荷預測模型的具體步驟，具體如下：①可以大量收集關于負荷的相關歷史數據，并且還需要仔細、精準分辨所使用到的歷史數據，并對其進行相應的預處理；②需要以經過進行預處理的歷史數據為基礎，建立系統的訓練樣本集，用于對之前的數據進行歸一化處理；③應通過查閱文獻等方式，了解過往經驗，對LSSVM預測模型的最佳參數C和σ進行確定，并建立與之相對應的目標函數；④求解之前的目標函數，也就是需要對預測日當天復合值進行有效預測。

3.2 混沌優化PSO-LSSVM模型的建立

混沌理論的數學定義提出較早，在上世紀70年代就有所提出，具體定義如下所示：

假設連續自映射f：I→I?R，I是R的子區間。若存在不可數集合S?I滿足以下條件：

（1）S不包含對應的周期點。

（2）任何x1,x2∈S(x1≠x2)，有

這里的f t(.)=f(f(…f(.)))表示t 重函數的關系。

（3）任何x1∈S以及f的任意周期點p∈I，x1≠p

那么f在S上是混沌的。

混沌現象是當前大自然中一種特有的運動現象，運動毫無規律、很難進行預測，具有一定的不確定性，也具有一定的不可重復性?；煦鐑灮惴ㄖ饕抢幂d波的方式，將所選擇的混沌變量線性映射到需要進行優化的變量空間，同時將其進行轉換，使其能到優化變量的定義域，再使用全局遍歷性對其進行搜索，在對其進行實際優化時，混沌算法與其他傳統搜索方法明顯不同，主要是使用二次載波搜索的方法對問題進行優化。

3.3 人工魚群優化PSO-LSSVM的短期負荷預測模型

人工魚群算法又稱為AFSA，是一種群體智能算法，模仿了大自然界中魚群覓食的行為，因此叫人工魚群算法。具體步驟如下所示：①自然界中魚群可以通過魚群的氣息進行跟隨，因此，可以對該行為進行模擬；②當自然界一條魚找到食物，其他魚就會聚集在一起分享食物，這可以通過人工魚群的聚集行為對其進行模擬仿真。

PSO-LSSVM 的短期負荷預測模型中的參數C和σ作為所優化的問題，因此，優化的目標函數如下所示：

在該公式中，yij作為第j天的第i點的實際負荷值，其中為預測值，N作為測試樣本，M=24，也就是指，大約每小時預測一次。

在確定所優化的目標函數后，需要轉化其本身所存在的關鍵性問題，并將其進行轉化，轉化成為相應的約束條件，具體為C∈[0,200]，σ∈[0.1,50]的情況下，對目標函數優化問題進行求解。

4 算例分析

為了有效驗證人工魚群優化PSO-LSSVM 短期負荷預測模型的有效性，選取西北某省的電力系統2021 年4 月5 日到5 月5 日的負荷數據作為進行樣本數據訓練的網絡模型，選取5月6日的負荷數據，將其作為測試數據，主要是用來對算法預測精度進行檢測。在這其中，粒子數m=20，visual=3.5，step=1.5，crowd=0.618，其中粒子參數c1=2，c2=2，tmax=10，因此使用人工魚群優化PSOLSSVM 算法預測對2021 年5 月6 日一天24 小時每一個小時負荷進行預測。其中利用預測日每時間段的實際負荷值與LSSVM 算法、人工魚群優化PSO-LSSVM 算法和混沌優化PSO-LSSVM 算法的短期預測結果如圖1所示。

圖1 短期負荷預測曲線

綜上，當C=12.5,σ=3.4時，對于預測精準度，人工魚群優化PSO-LSSVM為0.435%，混沌優化PSO-LSSVM 算法為0.81%，可以看出，前者的預測精度明顯更高。由此可見，人工魚群優化PSOLSSVM的短期負荷預測算法具有更高的實用價值。

5 結語

在當前智能配電網的環境下，需要做好短期負荷預測的工作，這對于發電部門制定發電計劃、購電計劃、機組維修計劃方面都有著重要作用，能為其提供重要理論參考依據，目前在電力調度部門中，已經成為日常重要工作。本文詳細介紹了LSSVM 模型，該模型精準度明顯更高，但是對于短期負荷預測模型參數選擇方面，仍然具有一定的盲目性，這些都需要依賴于之前的經驗和不斷測試進行測量，針對這一問題，提出行之有效的解決辦法，也可以看出，人工魚群優化PSO-LSSVM 的短期負荷預測算法具有更高的實用價值。