鯰魚粒子群算法優(yōu)化支持向量機的短期負荷預測

安徽理工大學 電氣與信息工程學院 自動化系，安徽 淮南 232001

安徽理工大學 電氣與信息工程學院 自動化系，安徽 淮南 232001

1 引言

準確的短期負荷預測是電力系統(tǒng)科學規(guī)劃決策基礎，同時，隨著電網(wǎng)規(guī)模的擴大和電力市場化改革深化，對短期電力負荷預測精度提出了更高要求，因此短期電力負荷預測成為電力研究領域的一個熱點問題[1]。

長期以來，國內(nèi)外學者對短期負荷預測作了大量研究，提出許多預測模型[2]。傳統(tǒng)負荷預測模型主要有多元線性回歸、自回歸滑動平均、趨勢外推法等[3-6]，短期電力負荷受到天氣、季節(jié)、節(jié)假日等因素影響，具有不確定性、非線性以及混沌性，這些擬線性模型的應用范圍有限[7]。隨著人工智能和混沌理論不斷發(fā)展，出現(xiàn)基于人工神經(jīng)網(wǎng)絡（ANN）、支持向量機（SVM）等機器學習算法與相空間重構技術相結合的短期負荷預測模型[8-9]。大量研究表明，基于SVM的電力負荷預測模型性能要優(yōu)于ANN和其他方法[10]。然而SVM的預測能力很大程度上依賴于懲罰因子和核函數(shù)參數(shù)，粒子群優(yōu)化（PSO）算法概念簡單、實現(xiàn)容易、參數(shù)易調(diào)整，在解決SVM參數(shù)優(yōu)化問題得到了廣泛應用[11]。但PSO算法與其他智能優(yōu)化算法一樣，存在收斂速度慢、全局搜索能力差等缺點，有時會導致參數(shù)選擇不恰當，對基于SVM的短期負荷預測精度產(chǎn)生不利影響。

為了提高短期負荷的預測精度，針對PSO算法優(yōu)化SVM參數(shù)的不足，引入自然界的“鯰魚效應”（catfish effect），提出了一種鯰魚粒子群算法優(yōu)化支持向量機的短期負荷預測模型（CFPSO-SVM），并通過實際短期負荷數(shù)據(jù)進行仿真實驗，驗證CFPSO-SVM在短期電力負荷預測中的有效性。

2 混沌理論和支持向量機

2.1 相空間重構

基于混沌理論的短期負荷預測建模需解決三個問題：短期負荷時間序列混沌性質(zhì)的識別、短期負荷系統(tǒng)的相空間重構、短期負荷預測算法，其中時間序列性質(zhì)的識別以及混沌分析，均在相空間中進行，因此相空間重構是短期負荷時間序列分析的基礎[12]。

Takens定理指出，只要選擇最適合嵌入維數(shù)和延遲時間，就可以從一維的短期負荷時間序列中重構一個與原動力系統(tǒng)在拓撲意義下等價的相空間。設短期負荷的時間序列為{x1，x2，…，xn-1，xn}，嵌入維數(shù)為 m，延遲時間為 τ，那么通過坐標延遲法重構出的相空間向量為：

式中，i∈[( m-1)τ，n]，X(i)為重構后的相點。

從式（1）可知，在相空間重構中，m和τ選取十分重要，本文首先采用wolf方法計算Lyapunov指數(shù)，以確認短期負荷時間序列是否具有混沌特性；如果有混沌特性，然后采用CAO方法選擇m，最后采用互信息法計算τ。

2.2 支持向量機算法

通過式（1）對短期負荷時間序列進行相空間重構后，可以得到一個多維的短期負荷時間序列。設當前時刻為i，訓練集的樣本數(shù)為n，那么訓練集可以表示為：

SVM通過非線性映射函數(shù)φ(X)將輸入樣本映射到高維的特征空間F，并在F中進行線性回歸，SVM在高維特征空間中的回歸函數(shù)為：

式中，w和b分別為回歸函數(shù)的法向量及偏移量。

根據(jù)機構風險最小化原則，SVM回歸可轉(zhuǎn)化為如下優(yōu)化問題，即

式中，‖w‖是與函數(shù) f復雜度相關的項，ε為不敏感損失系數(shù)，ξi，表示松弛因子，C表示懲罰因子。

引入拉格朗日乘子，優(yōu)化問題變?yōu)橥苟蝺?yōu)化問題：

式中，αi和表示拉格朗日乘子。

為了加快求解速度，將式（3）轉(zhuǎn)成對偶形式，即有：

采用核函數(shù)k(xi，x)代替高維空間中的向量內(nèi)積(φ(xi)，φ(x))，避免維數(shù)災難，則SVM的回歸函數(shù)為：

研究表明，當缺少過程的先驗知識時，相對于其他核函數(shù)，徑向基核函數(shù)參數(shù)少，且具更好的性能[13]。因此，本文選擇徑向基核函數(shù)進行SVM建模數(shù)，徑向基核函數(shù)定義如下：

式中，σ為徑向基核函數(shù)的寬度參數(shù)。

從SVM建模過程可知，SVM學習性能與懲罰系數(shù)C，不敏感系數(shù)ε，核函數(shù)參數(shù)σ的選取密切相關，本文采用鯰魚粒子群算法（BPSO）優(yōu)化SVM參數(shù)。

3 CFPSO算法優(yōu)化SVM參數(shù)

3.1 CFPSO算法

在PSO算法中，待優(yōu)化問題潛在解可看作n維搜索空間上的一個點，稱之為“粒子”，粒子以一定的速度在搜索空間中飛行，該速度根據(jù)自身和同伴的飛行經(jīng)驗進行動態(tài)調(diào)整，粒子優(yōu)劣程度由適應度值決定[14]。設粒子個體和整個群體的最優(yōu)位置分別為pbest和gbest，粒子的速度與位置更新公式為：

式中，ω為慣性權重；c1和c2為學習因子；rand()為（0，1）之間的隨機數(shù)；和分別為粒子i在第k次迭代中第d維的速度和位置；是粒子i在第d維的個體極值的位置；是群體在第d維的全局極值的位置。

由式（8）可知，粒子當前位置是由前一時刻的位置和當前的速度共同決定，而由式（9）可知，粒子當前速度由三個因素決定：前一時刻的速度、個體極值 pi與全局極值 pg，一旦算法出現(xiàn)“早熟”現(xiàn)象，全局極值 pg一定是局部最優(yōu)解，因此可以通過改變?nèi)謽O值 pg或間接地改變個體極值 pi，讓粒子逃逸局部最優(yōu)解區(qū)域，進入其他區(qū)域進行搜索，最終找到全局最優(yōu)解[12]。

挪威人喜愛吃活的沙丁魚，但沙丁魚生性比較懶惰，不喜愛游動，經(jīng)過長時間的運輸后活著的沙丁魚幾乎所剩無幾，如果將鯰魚放入魚槽中，由于環(huán)境陌生，便會四處游動，沙丁魚見了鯰魚十分緊張，為了躲避天敵的吞食，加速游動，從而保持了旺盛的生命力，沙丁魚缺氧的問題就迎刃而解了，就不會死了，這就是著名的“鯰魚效應”[15]。根據(jù)“鯰魚效應”啟示：當粒子聚集在局部最優(yōu)而導致搜索停滯時，找一條“鯰魚”去刺激粒子群，改變粒子群在局部最優(yōu)位置的聚集狀態(tài)，使粒子群跳出局部極值點而找到全局最，這就是鯰魚粒子群（CFPSO）的基本思想。CFPSO采用偏差閾值作為觸發(fā)條件，通過鯰魚算子對全局極值或個體極值進行擾動，粒子速度更新變?nèi)缦拢?/p>

式中，c3表示鯰魚對個體最優(yōu)的沖撞強度，c4表示鯰魚對全局最優(yōu)的沖撞強度；c3·rand()和c4·rand()稱為鯰魚算子，其定義如下：

式中，ep表示當前值與當前個體最優(yōu)值的偏差；eg表示當前值與當前全局最優(yōu)值的偏差；e0p表示當前值與當前局部最優(yōu)值之偏差的閾值；e0g表示當前值與當前全局最優(yōu)值之偏差的閾值。

式（11）、（12）可知，若當前值的偏差大于偏差閾值，鯰魚算子取為1，此時CFPSO算法為標準PSO算法；反之，認為此時粒子發(fā)生聚集，引入鯰魚算子去沖撞個體最優(yōu)值或全局最優(yōu)值，以跳出局部最優(yōu)。

3.2 CFPSO算法優(yōu)化支持向量機參數(shù)步驟

SVM參數(shù)C，ε，σ選取與短期負荷預測精度關系密切，在CFPSO算法全局搜索能力的基礎上，結合交叉驗證算法對SVM參數(shù)進行選擇，并建立最優(yōu)電力負荷預測模型，具體步驟如下：

（1）收集短期負荷數(shù)據(jù)，確定m和τ的值，然后通過確定m和τ進行相空間重構，生成SVM學習樣本集。

（2）確定SVM參數(shù)C，ε，σ的取值范圍，并設置CFPSO算法的相關參數(shù)。

（3）根據(jù)各參數(shù)的取值范圍，初始化粒子群(C，ε，σ)中粒子的位置和速度。

（4）讀入訓練數(shù)據(jù)，以均方差作為適應度值，采取交叉驗證方法訓練模型，得到每個粒子的適應度值，并取適應度值最小的粒子所對應的適應度值最優(yōu)為最初全局極值gbest。

（5）根據(jù)式（11）、（12）確定鯰魚算子，并更新粒子的速度和位置。

（6）計算每個粒子在新位置上的適應度值，如果粒子的適應度值優(yōu)于 pbesti的適應度值，則 pbesti更新為新位置；如果粒子的適應度值優(yōu)于gbest，則gbest更新為新位置。

（7）判斷粒子群最優(yōu)位置 pbesti的適應度值是否滿足目標值或迭代次數(shù)是否達到最大值，如果滿足停止條件，則輸出SVM的最優(yōu)參數(shù)組合。

（8）根據(jù)最優(yōu)參數(shù)組合，建立基于SVM的短期負荷預測模型，如不滿足返回步驟（4）。

4 仿真實驗

4.1 數(shù)據(jù)來源

數(shù)據(jù)來源于安徽省某地區(qū)電網(wǎng)2012年7月1日至2012年7月30日的半小時短期負荷數(shù)據(jù)，共得到30×48=1 440個時間序列數(shù)據(jù)，具體如圖1所示。用前29天（1 392個數(shù)據(jù)）的短期負荷數(shù)據(jù)作為訓練集對模型進行訓練，建立短期負荷預測模型；最后1天（48個數(shù)據(jù)）的負荷數(shù)據(jù)作為預測集來檢驗模型的預測效果。實驗利用臺灣林智仁教授的Libsvm 2.98工具箱，在Matlab 2009a平臺上實現(xiàn)，并根據(jù)10-fold交叉驗證誤差最小作為SVM參數(shù)選擇準則。SVM參數(shù)搜索區(qū)間設置為：C∈[1，1 000]，ε∈[0.001，0.1]，σ∈[0.001，100]。

圖1 短期負荷時間序列數(shù)據(jù)

4.2 短期負荷時間序列的相空間重構

首先采用wolf方法計算短期負荷時間序列的最大Lyapunov指數(shù)，其為 λ=0.073，這表明該短期負荷時間序列具有混沌特性；然后采用互信息法得到延遲時間為48 h，最后利用Cao方法求嵌入維數(shù)，得到短期負荷時間序列的最小嵌入維數(shù)m=7。根據(jù)式（1）對短期負荷時間序列進行相空間重構，得到1 440-48×(7-1)-1=1 151多維時間序列樣本，則有1 151-48=1 103個訓練樣本，利用SVM對訓練樣本進行訓練。

為了提高收斂速度、縮短訓練時間，對重構新后的短期負荷樣本進行歸一化處理，歸一化公式為：

式中，xmax和xmin分別表示負荷的最大值和最小值。

4.3 對比模型及評價標準

為了驗證CFPSO-SVM在短期負荷預測中的有效性和優(yōu)越性，選擇3個對比模型：網(wǎng)格搜索算法優(yōu)化的SVM模型（SVM）；GA優(yōu)化的SVM模型（GA-SVM）進行預測；標準PSO優(yōu)化的SVM模型（PSO-SVM）?？紤]到智能優(yōu)化算法搜索SVM參數(shù)結果的隨機性和網(wǎng)格搜索算法結果的唯一性，GA-SVM、PSO-SVM、CFPSO-SVM均運行10次，SVM運行1次。CFPSO算法的參數(shù)設置為：粒子群規(guī)模為20，最大迭代次數(shù)為 500，c1=c2=2，c3=1，c4=4，偏差閾值e0g=0，e0p=0.01；PSO算法相關參數(shù)設置與CFPSO一致；GA參數(shù)設置為：交叉概率Pc=0.85，變異概率Pm=0.1，種群個數(shù)和最大迭代次數(shù)與CFPSO相同；網(wǎng)格搜索算法的步長設置為1，迭代終止誤差eps=10-5。

模型的評價標準為平均相對誤差（MAPE）和均方誤差（MSE），它們定義如下：

式中，x(i)和x'(i)分別表示某時刻的實際和預測短期負荷值。

4.4 結果分析

4.4.1 粒子群算法改進前后的性能對比

CFPSO-SVM和PSO-SVM參數(shù)尋優(yōu)過程的最優(yōu)適應度值變化曲線如圖2所示。對圖2進行分析可知，CFPSO通過引入“鯰魚”擾動機制，保持了粒子群的多樣性，使得粒子群可以跳出局部最優(yōu)點，兼顧了粒子全局搜索能力和局部搜索能力，能夠更快地找到全局最優(yōu)SVM參數(shù)，獲得更高的學習精度。

圖2 CFPSO、PSO的適應度值變化曲線

利用CFPSO-SVM和PSO-SVM對訓練集進行10次建模，并根據(jù)建立的短期負荷預測模型對測試集進行預測，10次仿真實驗預測結果的MAPE和MSE見表1。從表1中可知，基于PSO-SVM的電力負荷預測結果間差異較大，穩(wěn)定性較差，而基于CFPSO-SVM的電力負荷預測效果穩(wěn)定，變化比較均勻，預測結果間差異很小，且CFPSO-SVM電力負荷預測精度明顯高于PSO-SVM。對比結果表明，CFPSO算法可以找到更優(yōu)的SVM參數(shù)，建立的電力負荷量預測模型更好地反映電力負荷變化趨勢，進一步提高了電力負荷的預測精度。

4.4.2 與其他算法的性能對比

CFPSO-SVM、PSO-SVM、GA-SVM和SVM對測試集預測結果的平均MAPE和MSE見表2。10次仿真實驗中，CFPSO-SVM、PSO-SVM、GA-SVM預測誤差最小的預測結果與SVM預測結果如圖3所示。從圖3可知，CFPSO-SVM預測結果與實際的短期電力負荷十分接近，預測效果更優(yōu)；同時從表2可知，CFPSO-SVM的預測誤差明顯小于對比模型：PSO-SVM、GA-SVM和SVM，短期電力負荷的預測精度更高，對比結果表明，利用CFPSO-SVM進行短期電力負荷預測時，建立的短期電力負荷預測模型具有更高的尋優(yōu)效率、預測精度，穩(wěn)態(tài)性能更好。

表1 CFPSO-SVM和PSO-SVM的預測效果對比

圖3 各模型對測試集的預測結果

表2 不同模型的短期電力負荷預測性能比較

5 結束語

SVM在短期負荷預測過程中，如果參數(shù)選取不合理，則直接影響短期負荷的預測精度，針對PSO算法存在收斂速度慢、易陷于局部極值等缺陷，引入自然界的“鯰魚效應”，提出一種鯰魚粒子群算法（CFPSO）優(yōu)化SVM的短期電力負荷預測模型。仿真結果表明，CFPSO-SVM的短期電力負荷預測模型具有輸出穩(wěn)定性好、收斂速度、預測精度高等優(yōu)點，預測結果對電力管理部門和電力企業(yè)的決策具有一定的實用參考價值。

[1] 杜懷松.電力系統(tǒng)負荷預測技術[J].華東電力，2000，9（1）：50-52.

[2]張文亮，湯廣福，查鯤鵬，等.先進電力電子技術在智能電網(wǎng)中的應用[J].中國電機工程學報，2010，30（4）：1-7.

[3]雷紹蘭，孫才新，周湶，等.電力短期負荷的多變量時間序列線性回歸預測方法研究[J].中國電機工程學報，2006，26（2）：25-29.

[4]霍利民，范新橋，黃麗華，等.基于基因表達式程序設計及誤差循環(huán)補償?shù)碾娏ο到y(tǒng)短期負荷預測[J].中國電機工程學報，2008，28（28）：103-107.

[5]黎燦兵，李曉輝，趙瑞，等.電力短期負荷預測相似日選取算法[J].電力系統(tǒng)自動化，2008，32（9）：69-73.

[6]李永斌.短期電力負荷預測模型的建立與應用[J].計算機仿真，2011，28（10）：316-319.

[7]Shi B，Li Y X，Yu X H，et al.A modified particle swarm optimization and radial basis function neural network hybrid algorithm model and its application[C]//2009 WRI Global Congress on Intelligent Systems，2009，1：134-138.

[8]Wang H，Li B S，Han X Y，et al.Study of neural networks for electric power load forecasting[C]//The 3rd International Symposium on Neural Networks，2010：1277-1283.

[9]耿艷，韓學山，韓力.基于最小二乘支持向量機的短期負荷預測[J].電網(wǎng)技術，2008，32（18）：72-76.

[10]王武，張元敏，蔡子亮.基于遺傳優(yōu)化神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測[J].繼電器，2008，36（9）：39-47.

[11]吳景龍，楊淑霞，劉承水.基于遺傳算法優(yōu)化參數(shù)的支持向量機短期負荷預測方法[J].中南大學學報：自然科學版，2009，40（1）：180-184.

[12]朱原媛，楊有龍，張恒偉.基于貝葉斯網(wǎng)絡的混沌時間序列預測[J].計算機工程與應用，2012，48（13）：100-104.

[13]陳圣兵，王曉峰.基于樣本差異度的SVM訓練樣本縮減算法[J].計算機工程與應用，2012，48（7）：20-22.

[14]易文周.混沌鯰魚粒子群優(yōu)化和差分進化混合算法[J].計算機工程與應用，2012，48（15）：54-58.

[15]Chuang Li-Yeh，Tsai Sheng-Wei，Yang Cheng-hong.Chaotic catfish particle swarm optimization for solving global numerical optimization problems[J].Applied Mathematics and Computation，2011，217：6900-6916.

鯰魚粒子群算法優(yōu)化支持向量機的短期負荷預測

石曉艷，劉淮霞，于水娟

SHI Xiaoyan,LIU Huaixia,YU Shuijuan

Department of Automation,College of Electrical and Information Engineering,Anhui University of Science and Technology, Huainan,Anhui 232001,China

In order to accurately,effectively predict short-term load,this paper proposes a short-term load prediction（BFPSO-SVM）based on support vector machine optimized by catfish particle swarm optimization algorithm.The short-term load time series are reconstructed based on chaos theory,and then the support vector machine SVM parameters are taken as a particle location string, and catfish effect is introduced to overcome the shortcomings of particle swarm algorithm to find the optimal parameters of support vector machine through the particle interactions,short-term load forecasting model is built according to the optimum parameters and the model performance is tested by simulation experiment.The simulation results show that,compared with other prediction models,BFPSO-SVM accelerates the parameters optimizing speed of support vector machine and improves the prediction precision of short term load,and it is more suitable for short-term load prediction needs.

short-time load;support vector machine;chaotic theory;particle swarm optimization algorithm;catfish effect

為了準確、有效地預測短期負荷，提出了一種鯰魚粒子群算法優(yōu)化支持向量機的短期負荷預測模型（BFPSO-SVM）?；诨煦缋碚搶Χ唐谪摵蓵r間序列進行相空間重構；將支持向量機參數(shù)的組合看作一個粒子位置串，通過粒子間互作找到最優(yōu)支持向量機參數(shù)，并引入“鯰魚效應”，克服基本粒子群算法的缺點；根據(jù)最優(yōu)參數(shù)建立短期負荷預測模型，并對模型性能進行仿真測試。仿真結果表明，相對于其他預測模型，BFPSO-SVM不僅加快了支持向量機參數(shù)尋優(yōu)速度，而且提高了短期負荷預測精度，更適用于短期負荷預測的需要。

短期電力負荷；支持向量機；混沌理論；粒子群算法；鯰魚效應

A

TP393

10.3778/j.issn.1002-8331.1301-0005

SHI Xiaoyan,LIU Huaixia,YU Shuijuan.Short-time load prediction based on support vector machine optimized by catfish particle swarm optimization algorithm.Computer Engineering and Applications,2013,49（11）：220-223.

石曉艷（1980—），女，講師，主要研究領域為智能控制和計算機仿真；劉淮霞（1961—），女，副教授，主要研究領域為過程控制；于水娟（1979—），女，講師，主要研究領域為計算機應用。

2013-01-05

2013-03-06

1002-8331（2013）11-0220-04