一种新的峰负荷预测方法.pdfVIP

第二十九届中国电网调度运行会收录论文全集 一种新的峰负荷预测方法 王蒙，张力，孙骁强 ( 西北电网有限公司调通中心，710048，西安 ) 摘要：将支撑向量机(SVM)方法用于电力系统峰负荷预测，支撑向量机方法采用 结构风险最小化原则，与采用经验风险最小化原则的传统方法相比，它具有拟合 精度高、全局最优等显著特点。为了使预测模型具有良好推广能力和较高的预测 精度，本文利用交叉有效性验证方法确定支撑向量机中的超参数。实际算例表明， 在相同的负荷及气象数据前提下，SVM 方法的预测精度平均比神经网络方法提高 了0.4% ~ 0.8% 。 关键词：峰负荷预测；支撑向量机；核函数；交叉有效性验证 中图分类号：TM715 文献标识码：A 1引言 短期负荷预测（尤其是峰负荷预测）是电力系统调度和计划部门安排购电计划和制定运 行方式的基础，是进行电力系统安全分析的基础，对实时调度也具有重要的参考意义。随着 电力市场的发展，高精度的短期负荷预测（峰负荷预测）愈显迫切和重要。 迄今为止，人们已经将很多种方法用于短期负荷预测领域，并取得了不同程度的成功[1]。 这些方法大致可分为两类：传统预测方法和人工智能方法。传统的短期负荷预测方法以时间 序列法、回归分析法[2]为主，这些算法的原理简单，速度快。但多是线性模型，很难模拟复 杂多变的电力负荷。人工智能方法主要包括专家系统[3] [4] 、模糊逻辑方法 和人工神经网络方 法(ANN) [5][6][7]]等。人工神经网络方法因具有万能逼近（以任一精度逼近任意一个连续函数） 能力和自学习能力，故较以前的方法更能描述负荷和影响负荷的因素之间的非线性关系，因 而得到了高度的关注并被广泛应用于短期负荷预测领域。其中，Khotanzad等人的ANNSTLF[7] 截止1998年已被北美地区的40多家电网所采用，取得了非常明显的经济效益并具有很好的 通用性。但是，ANN 还存在着诸如网络的隐节点数难于确定、最终解过于依赖初值及收敛速 度比较慢等待解决的问题。 上述方法均采用对由历史数据形成的样本集构造一个回归函数以用于预测，回归函数的 设计基于其在训练样本集上的误差（称为经验风险）极小化，即遵循经验风险最小化原则 (ERM)。但是，在负荷预测中，真正关心的却是推广能力，它由回归函数在训练样本集以外的 预测样本集上的误差（称为期望风险）来度量。由 Vipnik 的统计学习理论[8]可知，期望风险 的上界由经验风险和一个模型复杂度项共同决定。在大样本情况下，模型复杂度项可以忽略， 期望风险完全由经验风险限定，极小化经验风险所得到的预测函数具有良好的推广能力；但 在其它情况下，模型复杂度项不可忽略，此时，经验风险最小化原则不再适用。 针对这些问题，本文利用支撑向量机(SVM)[8][9]回归方法进行峰负荷预测，该方法以统计 学习理论为理论基础，专为解决小样本学习问题提出，它遵循结构风险最小化原则(SRM)，同 时最小化经验风险和表示模型复杂度的正则化部分，确保预测函数具有良好的推广能力。SVM - 1 - 第二十九届中国电网调度运行会收录论文全集 的另一个优点是它的训练等价于求解一个二次规划问题，故其任一解均为全局最优解，不存 在局部极值问题。另外，在SVM中存在超参数，它们对模型的预测精度起着至关重要的作用， 本文利用交叉有效性验证方法来确定这些参数。 2支撑向量机 支撑向量机（SVM）利用一个定义在高维空间中的线性函数集来进行回归估计。与其它 方法不同，SVM 的目标函数除经验风险外还包括一个用来控制回归函数复杂性的正则化部分 [8][9] 。 即给定训练样本集 N （ n 为输入变量的值， 为相应的输出值， {( X i , y i ) } Xi ∈R