基于相空间重构与支持向量机电力负荷预测.docVIP

基于相空间重构与支持向量机电力负荷预测 　　[摘要] 近年来让人们对电力负荷预测的研究越来越显示出它对电力系统具有非常重要的意义,本文结合了电力负荷的混沌特性,对电力数据进行了相空间重构,提出了基于相空间重构和支持向量机回归的电力负荷预测方法,并结合实际应用取得了很好的效果。 　　 [ 关键词 ] 电力负荷预测 相空间重构 支持向量机 　　 　　一、引言 　　 　　电力负荷预测是电力系统的一项基本工作,中、长期电力负荷预测结果用于确定是否安装新机组及装机容量的大小,电网的增容和扩建以及电网的发展趋势,因此其准确程度将直接影响到投资、网络布局和运行的合理性。几十年来,人们对电力系统负荷预测方法的研究取得了很大的进展。目前,解决电力系统负荷预测的问题,人们常用的方法有回归分析、时问序列、专家系统、神经网络、模糊理论、小波分析、灰色理论等。这些方法的优势在于它们能从多个角度综合分析负荷预测中的问题,并得到了相对令人满意的结果,然而,对于大型电力系统,这些方法常常具有一定的局限性,因为它们只是通过不同手段根据已获得数据的变换趋势来分析电力负荷,而没有从本质上分析电力系统固有的混沌特性。这里提供了一个解决电力系统负荷预测问题的新思路,即在相空间重构的基础上结合支持向量机回归基础上,既考虑电力系统的混沌特性,又结合了支持向量机非线性回归的优点。通过对深圳市1990-2001年的发展和用电情况进行分析预测取得了满意的结果。 　　 　　二、相空间重构原理 　　 　　延时嵌入的相空间重构方法是非线性时间序列处理的基础, 其原理是从一维时间序列重构得到系统在相空间的吸引子, 从而利用重构吸引子分析系统的动力学特性。Takens理论认为,任何一个系统状态的全部动力学信息包含于该系统任一变量的时间序列之中, 把单变量时间序列嵌入到一个新的坐标系中所得到的状态轨迹保留了原相空间状态轨迹的最主要的特征。 　　具体思路如下:. 　　假定时间序列为系统中某一状态输出,给定整 m1,τ0可以得到一个m维相量 　　式中: 为重构向量的个数,m为嵌入维数;为延时常数,它是一个正整数,可表示为相邻???次采样间隔的倍数. 这种从时间序列中获得状态向量的方法称为延时嵌入法。 　　在重构相空间中时间延迟和嵌入维数m的选取十分重要,其精度直接关系着相空间重构后描述奇异吸引子特征的不变量的准确度,要从实验或被测系统的测量信号中通过延时嵌入方法真正体现系统的动力学特性, 必须仔细选择嵌入维数和延时常数。 　　Takens原理认为嵌入维数只要满足m≥2d+1(d为系统的分形维数),则重构相空间和系统的相空间微分同胚,即拓扑等价,它们的动力学特性在定性意义上是完全相同的。由此可得,即使无法判断系统独立变量的数量和性质,只要嵌入空间的维数 足够大(即大于独立变量的数目),此重构空间与原始状态空间具有相同的行为,可在其中研究吸引子的性质。 　　选择一个好的时间延迟也非常重要,因为它可以有效降低所需的重构嵌入维数,从而使问题相对简化,对于单变量序列选择时间延迟的方法很多,比如平均位移法,互信息法,自相关函数法等,这些方法在许多文献中都有介绍。 　　 　　三、基于相空间重构与支持向量机的电力负荷预测 　　 　　根据电力负荷的不适定性,采用相空间重构技术对电力负荷时间序列数据进行相空间重构,再将重构后的数据作为SVM[4]的训练数据输入,通过机器自学习挖掘出电力负荷变化规律。其中SVM参数采用网格法优化调整。 　　设电力负荷时间序列为,将其嵌入m维相空间,嵌入时间为,得: 　　以此重构状态矢量对电力负荷进行预测,构造映射即回归函数 得: 　　设当前数据时刻为n,重构后训练数据容量为N,则训练数据表示为: 　　采用SVM方法构造回归估计函数,将m维输入空间变换到另一个高维特征空间,并在该特征空间中根据结构风险最小化原理,求取最优回归曲线。该最优问题描述如下: 　　其中是惩罚因子,表示损失函数,这里取不敏感损失函数适合电力负荷回归,同时算法适用于其他损失函数,所以这里选用不敏感损失函数。 　　采用Lagrange乘子法和核方法,求得原规划的Wolfe对偶规划: 　　在matlab中求解最优Lagrange乘子,由此得SVM的回归估计为: 　　这里为核函数,常用核函数有多项式核函数、高斯核函数、多层感知机核函数。本方法取高斯核函数。 　　 　　四、实例分析 　　 　　采用表4.1中深圳1990到2001的年负荷数据为实验数据,通过m取3,4,5时重构训练预测的误差对比,取训练和预测误差最优的组合为m=4,τ=1。通过上节的重构公式把1990-1999的负荷数据进行重构,通过重构数据进行模型训练。利用2000到2001的全年社会用电