基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測(cè)

張玲玲，楊明玉，梁武(.華北電力大學(xué)電氣與電子工程學(xué)院，河北省保定市07003;.955部隊(duì)，海南省三亞市57000)

基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測(cè)

張玲玲1，楊明玉1，梁武2
(1.華北電力大學(xué)電氣與電子工程學(xué)院，河北省保定市071003;2.91515部隊(duì)，海南省三亞市572000)

為提高微網(wǎng)短期負(fù)荷預(yù)測(cè)的效率和精度，針對(duì)微網(wǎng)負(fù)荷基數(shù)小，波動(dòng)性和隨機(jī)性大，歷史數(shù)據(jù)相對(duì)短缺的特點(diǎn)，在負(fù)荷點(diǎn)空間尺度上，提出一種基于相似日和LS-SVM微網(wǎng)短期負(fù)荷預(yù)測(cè)方法。該方法在預(yù)測(cè)空間尺度和樣本選擇上有別于大電網(wǎng)，充分考慮氣象因素的累積效應(yīng)、短期負(fù)荷的連續(xù)性和周期性以及時(shí)間距離的“飽和效應(yīng)”，形成一種新的相似日評(píng)價(jià)函數(shù)來(lái)選取訓(xùn)練樣本，并結(jié)合短期負(fù)荷預(yù)測(cè)的特點(diǎn)形成LS-SVM的輸入量，然后將訓(xùn)練好的模型用于預(yù)測(cè)。算例表明，該方法有效可行，精度較高，且比較實(shí)用。

微網(wǎng);負(fù)荷預(yù)測(cè);LS-SVM;負(fù)荷點(diǎn)空間尺度;相似日;時(shí)間距離;飽和效應(yīng)

0 引言

微網(wǎng)短期負(fù)荷預(yù)測(cè)是微網(wǎng)優(yōu)化運(yùn)行和“節(jié)能減排”的基礎(chǔ)，預(yù)測(cè)精度直接影響微網(wǎng)系統(tǒng)發(fā)供電計(jì)劃的編制、供電質(zhì)量和電力市場(chǎng)交易等［1-3］。短期電力負(fù)荷預(yù)測(cè)需要從大量歷史負(fù)荷數(shù)據(jù)中尋找規(guī)律進(jìn)行預(yù)測(cè)。但是，微網(wǎng)示范工程的相關(guān)數(shù)據(jù)相對(duì)短缺，并且微網(wǎng)結(jié)構(gòu)復(fù)雜、覆蓋區(qū)域小、電力用戶(hù)少、用電模式有別于普通電網(wǎng)的特點(diǎn)［2-3］，又使得負(fù)荷基數(shù)小、負(fù)荷序列的波動(dòng)性和隨機(jī)性增大，從而弱化了負(fù)荷序列的規(guī)律性。然而，理論嚴(yán)密的最小二乘支持向量機(jī)(least squares support vectormachine，LS-SVM)算法，能夠很好地解決小樣本、非線(xiàn)性、高維數(shù)等問(wèn)題［4］，廣泛應(yīng)用于短期負(fù)荷預(yù)測(cè)［5-8］。

但是，LS-SVM預(yù)測(cè)算法中訓(xùn)練樣本過(guò)多會(huì)降低預(yù)測(cè)效率，過(guò)少或不恰當(dāng)會(huì)降低預(yù)測(cè)精度，依據(jù)經(jīng)驗(yàn)選取訓(xùn)練樣本帶有主觀性，而將相似日作為訓(xùn)練樣本是當(dāng)前一大熱點(diǎn)［9-14］。目前，關(guān)于相似日的研究主要分為兩類(lèi):直接用日負(fù)荷序列數(shù)據(jù)計(jì)算“距離”［9］，原理簡(jiǎn)單，但待預(yù)測(cè)日的負(fù)荷尚未發(fā)生，不宜衡量這一距離，也未考慮負(fù)荷的影響因素;將影響負(fù)荷的各因素?cái)?shù)值化，用差異評(píng)價(jià)函數(shù)計(jì)算“距離”［8，10-14］，能夠較全面地利用負(fù)荷影響因素，卻未必能反映負(fù)荷序列的全部規(guī)律。此外，當(dāng)天氣變化劇烈或基荷較小或負(fù)荷規(guī)律較不明顯時(shí)，通常以日為空間尺度可能查找不出對(duì)應(yīng)的相似日［15］。

基于以上分析，本文針對(duì)微網(wǎng)基荷小、負(fù)荷波動(dòng)性和隨機(jī)性大、相關(guān)數(shù)據(jù)短缺的特點(diǎn)，在負(fù)荷點(diǎn)尺度空間上提出一種基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測(cè)方法。該方法針對(duì)微網(wǎng)各負(fù)荷點(diǎn)分別選取訓(xùn)練樣本并建立預(yù)測(cè)模型，首先充分考慮氣象因素的累積效應(yīng)，短期負(fù)荷的連續(xù)性和周期性以及時(shí)間距離的“飽和效應(yīng)”，形成一種新的相似日評(píng)價(jià)函數(shù);然后計(jì)算各歷史日與待預(yù)測(cè)日的相似系數(shù)，并按其大小選最為相似的若干歷史日作為訓(xùn)練樣本;最后結(jié)合短期負(fù)荷預(yù)測(cè)的特點(diǎn)對(duì)LS-SVM模型進(jìn)行訓(xùn)練和預(yù)測(cè)。算例表明其有別于大電網(wǎng)且預(yù)測(cè)效果良好，對(duì)微網(wǎng)短期負(fù)荷預(yù)測(cè)有一定的實(shí)用價(jià)值。

1 最小二乘支持向量機(jī)

支持向量機(jī)(support vectormachine，SVM)是基于統(tǒng)計(jì)學(xué)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)方法，最小二乘支持向量機(jī)是對(duì)標(biāo)準(zhǔn)SVM的一種擴(kuò)展，將標(biāo)準(zhǔn)SVM優(yōu)化中的不等式約束轉(zhuǎn)化為等式約束，損失函數(shù)直接定義為誤差平方和，原始的二次規(guī)劃問(wèn)題轉(zhuǎn)化為對(duì)線(xiàn)性方程組求解，比標(biāo)準(zhǔn)SVM計(jì)算復(fù)雜性低，求解速度快。

對(duì)于非線(xiàn)性回歸問(wèn)題，LS-SVM基本原理［4］為:給定一組數(shù)據(jù)集(xi，yi)，其中i=1，…，l，xi∈Rd是d維輸入向量，yi∈R為標(biāo)量輸出，l為訓(xùn)練樣本數(shù)，則回歸函數(shù)為

式中:ω為權(quán)值向量，φ(x)為從輸入空間到高維特征空間的非線(xiàn)性映射，b為偏差項(xiàng)。按結(jié)構(gòu)最小化原理，LS-SVM的優(yōu)化問(wèn)題為

式(2)和式(3)中:ei為誤差項(xiàng)，e∈Rl×1為誤差向量; γ為懲罰參數(shù)或正則化參數(shù)，控制對(duì)誤差的懲罰程度，且γ＞0，取值過(guò)小會(huì)增大訓(xùn)練誤差，取值過(guò)大會(huì)使推廣能力變差，本文取γ=30。引入拉格朗日乘子λ∈Rl×1，式(2)可轉(zhuǎn)化為

由KKT條件得

式中:q=［1，1，…，1］T為l×1維列向量，λ=［λ1，λ2，…λl］T，Y=［y1，y2，…，yl］T，Ω∈Rl×l且Ωij=K (xi，xj)=φ(xi)Tφ(xj)，K為滿(mǎn)足Mercer條件的核函數(shù)。LS-SVM常用的核函數(shù)有:線(xiàn)性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)和傅立葉核函數(shù)。其中，徑向基函數(shù)能夠處理輸入、輸出為非線(xiàn)性關(guān)系的情況，表示形式簡(jiǎn)單，只需調(diào)整1個(gè)參數(shù);徑向?qū)ΨQ(chēng)、光滑性好且任意階導(dǎo)數(shù)均存在;解析性好便于理論分析。因此，本文采用徑向基函數(shù)(radial basis function，RBF)作為核函數(shù)

式中:x是d維輸入向量;xi是與x同維數(shù)的第i個(gè)徑向基函數(shù)的中心;σ是標(biāo)準(zhǔn)化參數(shù)又稱(chēng)核寬度系數(shù)，本文中σ=2。最終，LS-SVM的函數(shù)估計(jì)形式為

式(8)中，λi和b由式(6)的線(xiàn)性方程求出。

2 相似日分析

微網(wǎng)負(fù)荷基荷較小，負(fù)荷序列的波動(dòng)性和隨機(jī)性大，以日為單位可能找不出對(duì)應(yīng)的相似日，因此本文是在負(fù)荷點(diǎn)尺度上進(jìn)行相似分析，充分考慮了氣象因素的累積效應(yīng)、短期負(fù)荷的連續(xù)性和周期性以及時(shí)間距離的“飽和效應(yīng)”，形成了一種新的相似日評(píng)價(jià)函數(shù)。該評(píng)價(jià)函數(shù)由歷史日與待預(yù)測(cè)日待預(yù)測(cè)負(fù)荷點(diǎn)的加權(quán)灰色關(guān)聯(lián)度和時(shí)間因子融合而成，相似日選取的流程如圖1所示。

針對(duì)第i個(gè)負(fù)荷點(diǎn)相似日選取的具體步驟如下。

(1)確定歷史日的選擇范圍。負(fù)荷結(jié)構(gòu)會(huì)隨時(shí)間發(fā)生緩慢變化，選用影響因素很相似但時(shí)隔較遠(yuǎn)的歷史日，得到的預(yù)測(cè)精度不高;過(guò)大的選擇范圍會(huì)延長(zhǎng)選擇時(shí)間，降低預(yù)測(cè)效率;微網(wǎng)負(fù)荷數(shù)據(jù)相對(duì)短缺。本文取前一個(gè)月(即M=30)的歷史日作為相似日待選范圍，并對(duì)歷史負(fù)荷做了橫向和縱向平滑處理，以保證數(shù)據(jù)的完整可用性。

(2)負(fù)荷點(diǎn)影響因素的提取。為計(jì)及氣象因素的累積效應(yīng)以及負(fù)荷的連續(xù)性和周期性，本文選取前幾天(一般取4～7，本文取4)［7］的氣象因素、當(dāng)日的氣象因素、當(dāng)日的日類(lèi)型以及前幾天同時(shí)刻的負(fù)荷值作為負(fù)荷影響因素。其中，前幾天同時(shí)刻負(fù)荷值從預(yù)測(cè)當(dāng)日的前一天開(kāi)始算起，因?yàn)槎唐谪?fù)荷預(yù)測(cè)通常是以預(yù)測(cè)當(dāng)日某一時(shí)刻如上午10:00做明日(即待預(yù)測(cè)日)的負(fù)荷預(yù)測(cè)，當(dāng)日該時(shí)刻后的負(fù)荷值未知。設(shè)負(fù)荷點(diǎn)影響因素總數(shù)為m，形成的第j個(gè)影響因素向量為

式(9)～(11)中:j=1，2，…，m;i=1，2，…，T，其中T為日負(fù)荷采樣點(diǎn)總數(shù)。

(3)各個(gè)因素與該負(fù)荷點(diǎn)負(fù)荷值的關(guān)聯(lián)度計(jì)算?；疑P(guān)聯(lián)分析是根據(jù)各因素變化曲線(xiàn)幾何形狀的相似程度來(lái)判斷因素之間關(guān)聯(lián)程度的方法，對(duì)第j個(gè)因素與該負(fù)荷點(diǎn)負(fù)荷值的灰色關(guān)聯(lián)度hi，j的計(jì)算步驟如下

①確定分析數(shù)列:向量fi和向量yj分別為比較數(shù)列Y和參考數(shù)列Xi，為便于敘述將兩者分別表示為Y=［y1，y2，…，yn］和Xi=［xi，1，xi，2，…，xi，n］。

②無(wú)量綱化處理:通常，將數(shù)列中各數(shù)據(jù)除以第1個(gè)數(shù)據(jù)，即

③計(jì)算灰色關(guān)聯(lián)系數(shù):y'k與x'i，k的灰色關(guān)聯(lián)系數(shù)ξi，k為

式中:ρ∈(0，∞)為分辨系數(shù)，當(dāng)ρ≤0.546 3時(shí)，分辨力最好，一般取ρ=0.5。

④計(jì)算灰色關(guān)聯(lián)度:為便于進(jìn)行整體性分析比較數(shù)列和參考數(shù)列的關(guān)聯(lián)度，將關(guān)聯(lián)系數(shù)集中為一個(gè)值，即求均值

式(12)～(15)中:k=1，2，…，n，n為數(shù)列中元素個(gè)數(shù)，i=1，2，…，m0，m0為待比較數(shù)列的個(gè)數(shù)。最終，形成該負(fù)荷點(diǎn)所有因素與其負(fù)荷值的關(guān)聯(lián)度向量

(4)負(fù)荷點(diǎn)各歷史日與待預(yù)測(cè)日的加權(quán)灰色關(guān)聯(lián)度計(jì)算。將各因素與該負(fù)荷點(diǎn)負(fù)荷值的關(guān)聯(lián)度作為權(quán)值，形成負(fù)荷點(diǎn)的加權(quán)歷史日影響因素向量f'i，則

同(3)求取加權(quán)灰色關(guān)聯(lián)度，并將第i個(gè)歷史日與待預(yù)測(cè)日的加權(quán)灰色關(guān)聯(lián)度記為ri。

(5)引入時(shí)間因子，形成相似日評(píng)價(jià)函數(shù)。短期負(fù)荷預(yù)測(cè)中歷史日對(duì)待預(yù)測(cè)日的影響在時(shí)間距離上有明顯的“飽和效應(yīng)”，即相隔1天和1周的歷史日對(duì)待預(yù)測(cè)日的影響有明顯區(qū)別，而相隔3周和4周的歷史日對(duì)其影響區(qū)別不大;負(fù)荷變化還有周周期性，即這周一和上周一的負(fù)荷相近。為權(quán)衡這種距離效應(yīng)和周周期性影響，本文在形成相似日評(píng)價(jià)函數(shù)時(shí)引入了時(shí)間因子α，第i個(gè)歷史日的時(shí)間因子αi為

式中:β1和β2表示衰減系數(shù)［9］，分別表示歷史日與待預(yù)測(cè)日的距離每增加一天和一周的相似縮減比例，一般取值范圍為［0.90，0.98］，本文取β1=β2= 0.98;ti表示歷史日與待預(yù)測(cè)日的時(shí)間間隔，mod是取余函數(shù)，int是取整函數(shù)。最終，相似日評(píng)價(jià)函數(shù)s為

(6)負(fù)荷點(diǎn)相似日的選取。按式(19)計(jì)算各歷史日與待預(yù)測(cè)日的相似系數(shù)并排序，由大到小依次選取若干個(gè)歷史日作為最終的相似日。

3 基于相似日和LS-SVM微網(wǎng)短期負(fù)荷預(yù)測(cè)模型

3.1 預(yù)測(cè)模型輸入量和輸出量的確定

短期負(fù)荷預(yù)測(cè)模型的輸出量即為負(fù)荷時(shí)刻點(diǎn)對(duì)應(yīng)的負(fù)荷值，而輸入量的確定是LS-SVM建模前的一項(xiàng)重要工作，輸入量能否充分反映期望輸出變化，直接關(guān)系到負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)性能。影響負(fù)荷變化的因素多而復(fù)雜，如歷史負(fù)荷、氣象因素、日期類(lèi)型、電價(jià)因素等，在負(fù)荷預(yù)測(cè)中目前還沒(méi)有統(tǒng)一的處理方法。

本文在形成輸入量時(shí)，針對(duì)短期負(fù)荷預(yù)測(cè)的特點(diǎn)，充分考慮了氣象因素的累積效應(yīng)、日期類(lèi)型以及日負(fù)荷周期性和連續(xù)性的影響，訓(xùn)練樣本輸入量有以下幾類(lèi):

(1)訓(xùn)練樣本當(dāng)日之前若干天(本文算例中取2)的氣象數(shù)據(jù)，如最高溫度、最低溫度、平均溫度、相對(duì)濕度等;

(2)訓(xùn)練樣本當(dāng)日的相應(yīng)氣象數(shù)據(jù);

(3)訓(xùn)練樣本當(dāng)日的日類(lèi)型;

(4)訓(xùn)練樣本當(dāng)日之前若干天(本文算例中取2)同時(shí)刻的負(fù)荷值。

對(duì)于日類(lèi)型因素，由于短期電力負(fù)荷具有日周期性和周周期性，休息日負(fù)荷明顯有別于工作日，周一負(fù)荷會(huì)受周日負(fù)荷的影響，周五負(fù)荷會(huì)因周六的到來(lái)與一般工作日(周二到周四)負(fù)荷有所不同。本文對(duì)于日類(lèi)型值的處理方法為:周一和周五賦值為0.7，周二至周四為0.8，周六和周日分別取為0.4和0.3。此外，為避免較大范圍變化的輸入特征值覆蓋或淹沒(méi)較小范圍變化的輸入特征值對(duì)LS-SVM預(yù)測(cè)模型的作用，以及計(jì)算中出現(xiàn)數(shù)值困難，本文將輸入特征歸一化到［0.1，0.9］的范圍內(nèi)，即

式中:x'是歸一化后的數(shù)據(jù)，xmax和xmin分別是所有訓(xùn)練樣本中特征值x的最大、最小值。而對(duì)于輸出量，為便于對(duì)預(yù)測(cè)值的反歸一化處理，輸出量取為原始負(fù)荷值10的對(duì)數(shù)，即

式中:y和y'分別為歸一化前后的輸出量。

3.2 預(yù)測(cè)模型

基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測(cè)模型，是針對(duì)微網(wǎng)系統(tǒng)后續(xù)日24 h的各個(gè)負(fù)荷點(diǎn)分別選取若干相似日作為訓(xùn)練樣本，然后用LS-SVM訓(xùn)練和構(gòu)建預(yù)測(cè)模型。該模型預(yù)測(cè)流程如圖2所示，具體預(yù)測(cè)過(guò)程為

(1)給定LS-SVM模型參數(shù);

(2)對(duì)待預(yù)測(cè)負(fù)荷點(diǎn)進(jìn)行相似日分析，按相似系數(shù)大小依次選取若干相似日作訓(xùn)練樣本;

(3)由歸一化負(fù)荷影響因素，形成LS-SVM訓(xùn)練樣本和待預(yù)測(cè)日的輸入輸出量;

(4)將訓(xùn)練樣本用于訓(xùn)練和構(gòu)建預(yù)測(cè)模型，輸出預(yù)測(cè)結(jié)果。預(yù)測(cè)流程如圖2所示。

4 算例驗(yàn)證

為便于分析微網(wǎng)短期負(fù)荷預(yù)測(cè)與大電網(wǎng)短期負(fù)荷預(yù)測(cè)的差異以及本文所提方法的有效性，分別于某微網(wǎng)示范工程及所在城市的大電網(wǎng)2013年2月15日到3月21日的相關(guān)數(shù)據(jù)中，選取10個(gè)相似日作為L(zhǎng)S-SVM短期負(fù)荷預(yù)測(cè)模型的訓(xùn)練樣本，然后用訓(xùn)練好的模型對(duì)3月22日全天24時(shí)的負(fù)荷做出預(yù)測(cè)。由于數(shù)據(jù)原因，氣象因素為最高溫度、最低溫度、平均溫度和相對(duì)濕度。

4.1 與大電網(wǎng)短期負(fù)荷預(yù)測(cè)的對(duì)比分析

由前文所述，大電網(wǎng)負(fù)荷相對(duì)于微網(wǎng)有基數(shù)大、波動(dòng)性和隨機(jī)性都較小，日周期性和周周期性等規(guī)律性較強(qiáng)，歷史相關(guān)數(shù)據(jù)充足等特點(diǎn)。因此相對(duì)于微網(wǎng)，在進(jìn)行大電網(wǎng)短期負(fù)荷預(yù)測(cè)時(shí)，可在較大歷史相關(guān)數(shù)據(jù)范圍內(nèi)，在日負(fù)荷尺度空間上按日為單位選取相似日形成負(fù)荷預(yù)測(cè)模型的訓(xùn)練樣本。在日負(fù)荷空間尺度上，應(yīng)用LS-SVM預(yù)測(cè)模型對(duì)大電網(wǎng)和微網(wǎng)2013年3月22日的預(yù)測(cè)結(jié)果如圖3所示，由于微網(wǎng)與大電網(wǎng)的負(fù)荷規(guī)律有所不同且負(fù)荷基數(shù)相差很大，為便于兩者預(yù)測(cè)結(jié)果的對(duì)比分析，圖3中縱坐標(biāo)表示負(fù)荷對(duì)當(dāng)日最大負(fù)荷的標(biāo)幺值。

由圖3可知，大電網(wǎng)負(fù)荷與微網(wǎng)負(fù)荷有較大差異，大電網(wǎng)負(fù)荷的平滑性明顯好于微網(wǎng)，且大電網(wǎng)的預(yù)測(cè)值更接近實(shí)際負(fù)荷值。為進(jìn)一步定量分析，本文采用平均相對(duì)誤差MRE和日負(fù)荷預(yù)測(cè)準(zhǔn)確率AL這2個(gè)指標(biāo)作為預(yù)測(cè)精度的評(píng)判依據(jù)

式(22)和(23)中:P't和Pt分別表示t時(shí)刻點(diǎn)負(fù)荷的預(yù)測(cè)值和真實(shí)值。

由表1分析可知，大電網(wǎng)的日平均相對(duì)誤差和日負(fù)荷預(yù)測(cè)準(zhǔn)確率結(jié)果均明顯好于微網(wǎng)，微網(wǎng)的預(yù)測(cè)結(jié)果不理想，其日平均相對(duì)誤差為3.9%，不能滿(mǎn)足短期負(fù)荷預(yù)測(cè)的要求?？梢?jiàn)，對(duì)于大電網(wǎng)短期負(fù)荷預(yù)測(cè)良好的預(yù)測(cè)方法，對(duì)于微網(wǎng)短期負(fù)荷預(yù)測(cè)的效果卻并不理想。

因此，本文針對(duì)微網(wǎng)短期負(fù)荷預(yù)測(cè)的特點(diǎn)，提出基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測(cè)模型。該方法在空間尺度和樣本選擇上有別于大電網(wǎng)，是在負(fù)荷點(diǎn)空間尺度上，利用較小范圍歷史相關(guān)數(shù)據(jù)，用一種新的相似日評(píng)價(jià)函數(shù)來(lái)選取預(yù)測(cè)模型的訓(xùn)練樣本。

4.2 基于相似日和LS-SVM微網(wǎng)短期負(fù)荷預(yù)測(cè)

對(duì)微網(wǎng)做短期負(fù)荷預(yù)測(cè)時(shí)，采用基于相似日和LS-SVM微網(wǎng)短期負(fù)荷預(yù)測(cè)方法、選取若干個(gè)同類(lèi)型日的經(jīng)驗(yàn)方法和全部歷史日的傳統(tǒng)方法這3種方法，形成訓(xùn)練樣本的LS-SVM模型對(duì)該微網(wǎng)2013年3月22日24小時(shí)的負(fù)荷進(jìn)行了預(yù)測(cè)，為敘述方便本文將這3種方法分別記為本文方法、經(jīng)驗(yàn)方法和傳統(tǒng)方法，圖4為這3種方法的預(yù)測(cè)結(jié)果對(duì)比圖，其預(yù)測(cè)精度指標(biāo)值如表2所示。

由圖4可看出，由本文方法得到的預(yù)測(cè)曲線(xiàn)較經(jīng)驗(yàn)算法和傳統(tǒng)算法更接近實(shí)際負(fù)荷曲線(xiàn)。

由表2可以看出，本文方法的微網(wǎng)短期負(fù)荷日預(yù)測(cè)準(zhǔn)確率為97.9%，比經(jīng)驗(yàn)方法和傳統(tǒng)方法分別提高約1.7%和2.2%，且平均相對(duì)誤差在2%以?xún)?nèi)，能夠顯著提高短期負(fù)荷預(yù)測(cè)的精度，并滿(mǎn)足短期負(fù)荷預(yù)測(cè)精度的要求。因此，相對(duì)于經(jīng)驗(yàn)方法和傳統(tǒng)方法，本文方法選取的相似日更加合理有效，更適用于微網(wǎng)短期負(fù)荷預(yù)測(cè)。

綜上所述，本文方法有別于普通大電網(wǎng)的短期負(fù)荷預(yù)測(cè)，在微網(wǎng)短期負(fù)荷預(yù)測(cè)中有一定的實(shí)用價(jià)值。

5 結(jié)論

針對(duì)微網(wǎng)負(fù)荷基數(shù)小，波動(dòng)性和隨機(jī)性大以及相關(guān)歷史數(shù)據(jù)短缺等特點(diǎn)，本文提出在預(yù)測(cè)空間尺度和樣本選擇上有別于大電網(wǎng)的負(fù)荷預(yù)測(cè)模型，即負(fù)荷點(diǎn)尺度空間中的基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測(cè)模型。該方法建立在負(fù)荷點(diǎn)空間尺度上，使得模型的相似日選擇及輸入量的確定更為精細(xì)合理;用相似日法選取預(yù)測(cè)模型的訓(xùn)練樣本，較人工經(jīng)驗(yàn)選取更加合理客觀;其相似日評(píng)價(jià)函數(shù)，充分考慮了氣象因素的累積效應(yīng)、短期負(fù)荷的連續(xù)性和周期性以及時(shí)間距離的“飽和效應(yīng)”;LS-SVM預(yù)測(cè)模型的輸入量，充分考慮了短期負(fù)荷預(yù)測(cè)的特點(diǎn)。算例預(yù)測(cè)結(jié)果表明，該方法有別于大電網(wǎng)短期負(fù)荷預(yù)測(cè)，可顯著提高預(yù)測(cè)精度，對(duì)微網(wǎng)短期負(fù)荷預(yù)測(cè)有一定的使用價(jià)值。

［1］康重慶，夏清，劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)［M］.北京:中國(guó)電力出版社，2007.

［2］李富生，李瑞生，周逢權(quán).微電網(wǎng)技術(shù)及工程應(yīng)用［M］.北京:中國(guó)電力出版社，2012.

［3］尹昊.新能源微電網(wǎng)短期負(fù)荷預(yù)測(cè)［D］.長(zhǎng)沙:湖南大學(xué)，2012.

［4］方瑞明.支持向量機(jī)理論及其應(yīng)用分析［M］.北京:中國(guó)電力出版社，2007.

［5］傅美平，馬紅偉，毛建容.基于相似日和最小二乘支持向量機(jī)的光伏發(fā)電短期預(yù)測(cè)［J］.電力系統(tǒng)保護(hù)與控制，2012，40(16):65-69.

［6］李鑫濱，張娟，張巖，等.基于D-S證據(jù)理論的相似日支持向量機(jī)短期負(fù)荷預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2010，34(7):143-147.

［7］劉晶.基于相似日和支持向量機(jī)的短期負(fù)荷預(yù)測(cè)的研究［D］.廣州:華南理工大學(xué)，2010.

［8］陳超，黃國(guó)勇，邵宗凱，等.基于日特征量相似日的PSO-SVM短期負(fù)荷預(yù)測(cè)［J］.中國(guó)電力，2013，46(7):69-73.

［9］李如琦，徐姣，魏立.基于相似日和分時(shí)段分形插值的短期電力負(fù)荷預(yù)測(cè)［J］.現(xiàn)代電力，2009，26(2):37-41.

［10］莫維仁，張伯明，孫宏斌，等.短期負(fù)荷預(yù)測(cè)中相似日的探討［J］.清華大學(xué)學(xué)報(bào):自然科學(xué)版，2004，44(1):106-109.

［11］黎燦兵，李曉輝，趙瑞，等.電力短期負(fù)荷預(yù)測(cè)相似日選取算法［J］.電力系統(tǒng)及其自動(dòng)化，2008，32(9):69-73.

［12］于龍.基于模糊聚類(lèi)選取相似日的短期電力負(fù)荷預(yù)測(cè)［D］.上海:上海交通大學(xué)，2013.

［13］牛東曉，魏亞楠.基于FHNN相似日聚類(lèi)自適應(yīng)權(quán)重的短期電力負(fù)荷組合預(yù)測(cè)［J］.電力系統(tǒng)及其自動(dòng)化，2013，37(3):54-57.

［14］李敏，李钷，劉滌塵.改進(jìn)相似日評(píng)價(jià)函數(shù)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.高電壓技術(shù)，2006，32(10):114-117.

［15］羅軍，何光宇，張思遠(yuǎn)，等.基于負(fù)荷點(diǎn)相似的地區(qū)短期負(fù)荷預(yù)測(cè)新方法［J］.電網(wǎng)技術(shù)，2007，31(6):67-71.

(編輯:劉文瑩)

Microgrid Short-Term Load Forecasting Based on Sim ilar Days and LS-SVM

ZHANG Lingling1，YANG Mingyu1，LIANGWu2
(1.School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，Hebei Province，China;2.91515 Army，Sanya 572000，Hainan Province，China)

To improve the efficiency and accuracy of Microgrid short-term load forecasting，according to the characteristics of Microgrid load:small base load，high fluctuation and big randomness，and the relative shortage of historical data，a short-term load forecasting method based on sim ilar days and LS-SVM was proposed in load point scale，which was different from the bulk power system in the space scale on forecasting and the selection of training samples. Firstly，With full consideration of cumulative effects of weather factors，the continuity and periodicity of short-term load and the saturation effectof time distance，a new evaluation function of sim ilar dayswas formed to select training samples.Then，the input of LS-SVM was also formed by combining the characteristic of short-term load forecasting.At last，the trained modelwas used for the prediction ofm icrogrid short-term load.The calculation example shows that the proposed method is feasible and effective，With high precision and practicality.

Microgrid;load forecast;LS-SVM;load point scale;sim ilar days;time distance;saturation effect

TM 715

A

1000－7229(2014)11－0032－06

10.3969/j.issn.1000－7229.2014.11.006

2014-06-04

2014-09-09

張玲玲(1988)，女，碩士研究生，主要研究方向?yàn)槲⒕W(wǎng)短期電力負(fù)荷預(yù)測(cè);

楊明玉(1965)，女，副教授，主要研究方向?yàn)槲⒕W(wǎng)能量管理和電力系統(tǒng)繼電保護(hù);

梁武(1988)，男，助理工程師，主要研究方向?yàn)槎唐陔娏ω?fù)荷預(yù)測(cè)。

中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助(2014MS138)。