基于并行預(yù)測(cè)策略的公共樓宇日前空調(diào)負(fù)荷預(yù)測(cè)

顏慶國(guó)，阮文駿，陳楚，陳星鶯，寧藝飛，余昆

（1.國(guó)網(wǎng)江蘇省電力公司，江蘇南京 210029；2.河海大學(xué)能源與電氣學(xué)院，江蘇南京 211100；3.江蘇省配用電與能效工程技術(shù)研究中心，江蘇南京 211100；4.南京河?？萍加邢薰荆K南京 210098）

基于并行預(yù)測(cè)策略的公共樓宇日前空調(diào)負(fù)荷預(yù)測(cè)

顏慶國(guó)1，阮文駿1，陳楚1，陳星鶯2，3，寧藝飛2，3，余昆2，4

（1.國(guó)網(wǎng)江蘇省電力公司，江蘇南京 210029；2.河海大學(xué)能源與電氣學(xué)院，江蘇南京 211100；3.江蘇省配用電與能效工程技術(shù)研究中心，江蘇南京 211100；4.南京河?？萍加邢薰荆K南京 210098）

隨著我國(guó)城市建設(shè)的推進(jìn)，公共樓宇的用電能耗增長(zhǎng)迅速。為加強(qiáng)能耗管理、降低能耗水平，對(duì)公共樓宇空調(diào)系統(tǒng)日前用電負(fù)荷進(jìn)行預(yù)測(cè)是工作的基礎(chǔ)。針對(duì)當(dāng)前公共樓宇空調(diào)系統(tǒng)日前負(fù)荷預(yù)測(cè)累積誤差大的現(xiàn)象，提出對(duì)日前24 h單獨(dú)建立負(fù)荷預(yù)測(cè)模型的并行預(yù)測(cè)策略。然后融合主成分分析和模糊C均值聚類對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，形成合適規(guī)模及變量維度的訓(xùn)練數(shù)據(jù)，將其作為支持向量機(jī)預(yù)測(cè)模型的輸入，并通過(guò)粒子群算法對(duì)SVM的模型參數(shù)進(jìn)行自適應(yīng)尋優(yōu)。以實(shí)際公共樓宇空調(diào)負(fù)荷歷史數(shù)據(jù)為基礎(chǔ)，對(duì)比分析所提出的算法與串行預(yù)測(cè)策略及傳統(tǒng)交叉驗(yàn)證試湊參數(shù)的SVM預(yù)測(cè)算法，結(jié)果表明提出的方法充分利用了公共樓宇空調(diào)負(fù)荷的特點(diǎn)，預(yù)測(cè)精度高、速度快。

公共樓宇空調(diào)系統(tǒng)；日前負(fù)荷預(yù)測(cè)；并行預(yù)測(cè)策略；數(shù)據(jù)預(yù)處理；支持向量機(jī)參數(shù)優(yōu)化

公共樓宇用電負(fù)荷在當(dāng)前城市電網(wǎng)負(fù)荷中占據(jù)重要地位，用電能耗占全社會(huì)總用電能耗的20%～35%，而其中空調(diào)負(fù)荷占樓宇總用電負(fù)荷的60%以上[1]。為加強(qiáng)樓宇空調(diào)系統(tǒng)的運(yùn)行能耗管理、降低能耗水平，首先需要對(duì)公共樓宇空調(diào)系統(tǒng)的用電負(fù)荷進(jìn)行日前負(fù)荷預(yù)測(cè)。

國(guó)內(nèi)外對(duì)短期、日前負(fù)荷預(yù)測(cè)的研究主要分為預(yù)測(cè)策略、預(yù)測(cè)方法、數(shù)據(jù)預(yù)處理方式及預(yù)測(cè)模型參數(shù)選取等層面。在預(yù)測(cè)策略的選取上，一般采用多步預(yù)測(cè)方式[2-3]，每步預(yù)測(cè)得到的結(jié)果會(huì)代入到下一步預(yù)測(cè)的訓(xùn)練數(shù)據(jù)中，造成預(yù)測(cè)結(jié)果中包含累積誤差，隨著時(shí)間推移，累積誤差量持續(xù)增大，影響預(yù)測(cè)精度。預(yù)測(cè)方法主要分為2類：一類是統(tǒng)計(jì)學(xué)方法，通過(guò)對(duì)歷史數(shù)據(jù)的分析，歸納出負(fù)荷及相關(guān)因素之間關(guān)系的方程式，代表方法有多元線性回歸、時(shí)間序列模型等[4]；另一類是人工智能方法，通過(guò)模擬人類思維方式來(lái)映射負(fù)荷與其影響因素間的復(fù)雜非線性關(guān)系。支持向量機(jī)（SVM）作為機(jī)器學(xué)習(xí)方法，實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化，具有較好的泛化性能和精度，在短期負(fù)荷預(yù)測(cè)中得到了廣泛應(yīng)用[5-9]。在數(shù)據(jù)預(yù)處理過(guò)程中，負(fù)荷聚類、數(shù)據(jù)挖掘[11-12]是常用的方法，其基本思想是通過(guò)對(duì)日負(fù)荷特性的分析，將樣本數(shù)據(jù)分為若干子類，并分類建立預(yù)測(cè)模型。專家系統(tǒng)[13]方法是根據(jù)專家的經(jīng)驗(yàn)來(lái)對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分類；回歸樹方法[14]本質(zhì)上是一種模糊推理方法，在一定程度上能起到聚類的作用；自組織特征映射[15]作為一種競(jìng)爭(zhēng)性學(xué)習(xí)網(wǎng)絡(luò)，不依賴主觀經(jīng)驗(yàn)，通過(guò)競(jìng)爭(zhēng)機(jī)制實(shí)現(xiàn)聚類。關(guān)于預(yù)測(cè)模型參數(shù)的確定，當(dāng)前研究對(duì)SVM預(yù)測(cè)模型參數(shù)（正則化參數(shù)、核函數(shù)參數(shù)）的選取多采用經(jīng)驗(yàn)定參、實(shí)驗(yàn)對(duì)比、大范圍搜尋或利用交叉驗(yàn)證試湊等思路進(jìn)行尋優(yōu)[15-17]。

本文根據(jù)公共樓宇空調(diào)負(fù)荷的時(shí)序性特點(diǎn)，基于大樣本采樣數(shù)據(jù)建立采用并行預(yù)測(cè)策略，以減少累積誤差的影響。在歷史數(shù)據(jù)預(yù)處理過(guò)程中采用主成份分析方法與模糊C均值聚類方法相結(jié)合的模式，綜合利用PCA的特征提取能力和模糊C均值聚類選取相似日的能力，同時(shí)降低輸入變量的維度和樣本數(shù)據(jù)的規(guī)模，從而改善了預(yù)測(cè)模型的精度和泛化能力。采用粒子群算法優(yōu)化參數(shù)的SVM短期負(fù)荷預(yù)測(cè)模型，基于蘇州石路國(guó)際商場(chǎng)空調(diào)系統(tǒng)實(shí)際數(shù)據(jù)進(jìn)行仿真分析。

1 公共樓宇空調(diào)日前負(fù)荷并行預(yù)測(cè)策略

1.1 公共樓宇典型日空調(diào)負(fù)荷特性分析

根據(jù)實(shí)際調(diào)研數(shù)據(jù)，公共樓宇空調(diào)負(fù)荷所占比例在各行業(yè)特征中略有不同，其中酒店空調(diào)負(fù)荷占比為46%，商場(chǎng)空調(diào)系統(tǒng)負(fù)荷占24%，醫(yī)院空調(diào)負(fù)荷占比為37%，辦公樓宇空調(diào)負(fù)荷占比為48%。圖1所示為某商場(chǎng)樓宇空調(diào)的典型日負(fù)荷曲線。

圖1 某公共樓宇典日空調(diào)負(fù)荷曲線Fig.1 Load curve of air conditioning in a public building

該商場(chǎng)營(yíng)業(yè)時(shí)間為8點(diǎn)，從日空調(diào)負(fù)荷曲線可以看到，空調(diào)大約5點(diǎn)開始運(yùn)轉(zhuǎn)，商場(chǎng)開始做營(yíng)業(yè)準(zhǔn)備，8點(diǎn)左右空調(diào)負(fù)荷到達(dá)第一個(gè)尖峰，此時(shí)室內(nèi)溫度開始穩(wěn)定下來(lái)，等到中午12點(diǎn)左右，隨著室外溫度的增加，空調(diào)負(fù)荷迎來(lái)第二次爬坡，大約13點(diǎn)達(dá)到全日頂峰，從13點(diǎn)到22點(diǎn)，空調(diào)負(fù)荷隨著室外氣溫的降低緩慢減少，到商場(chǎng)22點(diǎn)關(guān)門時(shí)間后，空調(diào)負(fù)荷急劇下降，重新回歸關(guān)閉狀態(tài)。

從以上分析來(lái)看，公共樓宇空調(diào)負(fù)荷特性與公共樓宇營(yíng)業(yè)或者上班時(shí)間關(guān)聯(lián)度非常大，所以固定時(shí)刻對(duì)公共樓宇空調(diào)負(fù)荷的影響往往大于其他因素對(duì)該時(shí)刻負(fù)荷的影響，如果采用傳統(tǒng)的SVM預(yù)測(cè)模型，將預(yù)測(cè)得到的預(yù)測(cè)數(shù)據(jù)代入到訓(xùn)練數(shù)據(jù)中，用以預(yù)測(cè)下一時(shí)刻的數(shù)據(jù)，所產(chǎn)生的累計(jì)誤差遠(yuǎn)遠(yuǎn)大于預(yù)測(cè)電網(wǎng)或者母線負(fù)荷的誤差。因此，首先需要建立適合的預(yù)測(cè)策略。

1.2 并行預(yù)測(cè)策略的構(gòu)建

針對(duì)上述問(wèn)題，為更加準(zhǔn)確預(yù)測(cè)公共樓宇日前的空調(diào)負(fù)荷曲線，本文借鑒文獻(xiàn)[18]所提出的并行預(yù)測(cè)策略，對(duì)公共樓宇空調(diào)日前24個(gè)時(shí)刻分別單獨(dú)進(jìn)行負(fù)荷預(yù)測(cè)，構(gòu)建如圖2所示的并行預(yù)測(cè)策略。對(duì)每個(gè)時(shí)刻的預(yù)測(cè)而言，在預(yù)測(cè)訓(xùn)練階段，僅使用對(duì)應(yīng)時(shí)刻的歷史負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練。

通過(guò)建立空調(diào)日前負(fù)荷并行預(yù)測(cè)策略，既可并行對(duì)24個(gè)時(shí)刻進(jìn)行預(yù)測(cè)，處理更大的數(shù)據(jù)集，減少預(yù)測(cè)時(shí)間，又在訓(xùn)練階段只用對(duì)應(yīng)時(shí)刻的數(shù)據(jù)參與訓(xùn)練，減少模型的有效訓(xùn)練時(shí)間，提高訓(xùn)練效率。一方面，由于并行策略中每個(gè)模型只進(jìn)行一步預(yù)測(cè)，消除了累積誤差現(xiàn)象；另一方面，每個(gè)時(shí)刻的預(yù)測(cè)模型由對(duì)應(yīng)時(shí)刻數(shù)據(jù)產(chǎn)生，既保留了時(shí)間序列對(duì)公共樓宇空調(diào)負(fù)荷的影響，又帶入了相關(guān)性最強(qiáng)的信息到對(duì)應(yīng)模型中，建立的負(fù)荷預(yù)測(cè)模型更加簡(jiǎn)單，可以提高泛化能力，降低過(guò)度擬合情況的發(fā)生概率。這些特性都有助于提高負(fù)荷的預(yù)測(cè)精度。

圖2 并行預(yù)測(cè)策略示意圖Fig.2 Sketch map of parallel prediction strategy

2 基于PSO-SVM模型的公共樓宇空調(diào)日前負(fù)荷預(yù)測(cè)算法

2.1 主成分分析與模糊C均值聚類結(jié)合的空調(diào)負(fù)荷數(shù)據(jù)預(yù)處理

由于公共樓宇空調(diào)負(fù)荷歷史數(shù)據(jù)中每組數(shù)據(jù)都包含多種輸入變量，輸入變量的選取對(duì)SVM模型的訓(xùn)練影響較大。如果訓(xùn)練數(shù)據(jù)直接選用空調(diào)負(fù)荷全部類型的歷史數(shù)據(jù)，將會(huì)增加模型訓(xùn)練的時(shí)間、降低訓(xùn)練效率，還會(huì)造成訓(xùn)練模型過(guò)擬合。因此，首選通過(guò)數(shù)據(jù)預(yù)處理方法對(duì)數(shù)據(jù)進(jìn)行篩選，減少支持向量機(jī)模型的輸入變量維度，可從另一個(gè)角度減少預(yù)測(cè)模型訓(xùn)練時(shí)間和提高模型的預(yù)測(cè)準(zhǔn)確度與泛化能力。

主成分分析方法（PCA）是把多個(gè)變量轉(zhuǎn)換為少數(shù)幾個(gè)相互獨(dú)立的綜合變量的統(tǒng)計(jì)方法，計(jì)算步驟詳見(jiàn)文獻(xiàn)[19]。其主要思想是基于歷史數(shù)據(jù)中的輸入變量，計(jì)算前k個(gè)綜合變量的累積貢獻(xiàn)度，當(dāng)其大于某常數(shù)Q時(shí)，認(rèn)為前k個(gè)變量能夠提取歷史數(shù)據(jù)的絕大部分特征信息，且能夠最大程度反映和還原初始變量的信息。

模糊C均值聚類（FCM）時(shí)間復(fù)雜性接近線性，適合對(duì)大規(guī)模數(shù)據(jù)進(jìn)行挖掘分析。但常規(guī)FCM算法需要人為指定分類數(shù)，具有較強(qiáng)的主觀性和隨機(jī)性，為更好地對(duì)歷史數(shù)據(jù)進(jìn)行聚類，可采用自適應(yīng)聚類數(shù)c的模糊C均值聚類方法，具體計(jì)算步驟詳見(jiàn)文獻(xiàn)[20]。

本文考慮上述方法的特點(diǎn)，將PCA方法與自適應(yīng)模糊數(shù)的模糊C均值聚類方法相結(jié)合進(jìn)行歷史數(shù)據(jù)預(yù)處理。一方面利用PCA方法的特征提取能力縮減變量數(shù)據(jù)維度，另一方面利用模糊C均值的聚類功能減少空調(diào)負(fù)荷相似日的數(shù)量，從而改善空調(diào)負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)精度和泛化能力。

2.2 SVM日前負(fù)荷預(yù)測(cè)模型參數(shù)的粒子群優(yōu)化

在支持向量回歸機(jī)中，SVM模型在建模過(guò)程中要確定兩個(gè)參數(shù)，即正則化參數(shù)C和高斯核函數(shù)的覆蓋寬度σ。C是平衡因子，可以根據(jù)樣本數(shù)據(jù)的特性來(lái)決定模型的復(fù)雜度和對(duì)擬合偏差的懲罰程度。σ是核函數(shù)的參數(shù)，精確定義了高維特征空間φ（x）的結(jié)構(gòu)，因而控制了最終解的復(fù)雜性。SVM的性能在很大程度上受這2個(gè)參數(shù)的影響，因此，有必要對(duì)這些參數(shù)進(jìn)行優(yōu)化以使泛化誤差最小，本文采用粒子群算法對(duì)其進(jìn)行優(yōu)化。

由于粒子群優(yōu)化SVM模型參數(shù)的目標(biāo)是提高SVM的模型的回歸精度，因此其適應(yīng)度函數(shù)應(yīng)評(píng)價(jià)預(yù)測(cè)模型對(duì)訓(xùn)練樣本擬合的偏移程度。令訓(xùn)練樣本的均方根誤差為PSO的適應(yīng)度函數(shù)，則有：

式中：N為樣本數(shù)量；k為樣本編號(hào)；ek為第k個(gè)樣本的誤差。

計(jì)算該適應(yīng)度函數(shù)，其值越小，適應(yīng)能力越強(qiáng)。根據(jù)文獻(xiàn)[20]中的方法，基于PSO的SVM預(yù)測(cè)模型參數(shù)尋優(yōu)流程如圖3所示。

1）將需要優(yōu)化的2個(gè)變量作為粒子的位置，隨機(jī)初始化粒子群，并將這兩個(gè)變量作為當(dāng)前各粒子的個(gè)體最優(yōu)解。

2）計(jì)算各粒子的適應(yīng)度值，搜索其中的最優(yōu)值并將其作為全局最優(yōu)適應(yīng)度，并將其對(duì)應(yīng)的粒子位置作為當(dāng)前全局最優(yōu)解。

3）迭代更新粒子的速度和位置以及個(gè)體最優(yōu)解和全局最優(yōu)解，修正C和σ。

4）如果達(dá)到最大進(jìn)化代數(shù)或適應(yīng)度值滿足要求則結(jié)束優(yōu)化過(guò)程，所得全局最優(yōu)解即為對(duì)應(yīng)模型的參數(shù)值。

2.3 基于PSO-SVM的公共樓宇空調(diào)日前負(fù)荷預(yù)測(cè)步驟

根據(jù)上述的分析，本文基于PSO-SVM模型建立以下步驟實(shí)現(xiàn)對(duì)公共樓宇空調(diào)日前負(fù)荷進(jìn)行預(yù)測(cè)的目標(biāo)。

圖3 基于PSO的SVM參數(shù)尋優(yōu)Fig.3 SVM parameters optimization based on particle swarm optimization algorithm

1）采集公共樓宇空調(diào)負(fù)荷的24點(diǎn)數(shù)據(jù)、節(jié)假日數(shù)據(jù)、24點(diǎn)氣溫?cái)?shù)據(jù)，篩選數(shù)據(jù)后對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行歸一化處理，形成樣本空間。其中，預(yù)測(cè)樣本test_x為待預(yù)測(cè)日前七天的負(fù)荷數(shù)據(jù)，訓(xùn)練樣本train_x取預(yù)測(cè)樣本之前一年以上的歷史數(shù)據(jù)，以保證模型的普適。train_x、test_x的數(shù)據(jù)結(jié)構(gòu)包含待預(yù)測(cè)日前7天t時(shí)刻的負(fù)荷值、t時(shí)刻的氣溫、周屬性、節(jié)假日屬性；train_y為訓(xùn)練過(guò)程中待預(yù)測(cè)日t時(shí)刻負(fù)荷值。

2）采用PCA方法分別處理上述train_x、test_x的樣本空間，充分挖掘空調(diào)負(fù)荷的特征，降低樣本空間維度，削減輸入變量個(gè)數(shù)，即分析得到可代表數(shù)據(jù)特征的少數(shù)幾個(gè)新的綜合指標(biāo)，一般來(lái)說(shuō)選取累積方差貢獻(xiàn)度達(dá)到95%以上的前幾個(gè)變量。

3）以部分處理過(guò)的test_x數(shù)據(jù)為樣本采用自適應(yīng)的FCM算法自適應(yīng)的確定聚類類別和迭代收斂精度，并初始化聚類中心矩陣，以迭代法解出滿足精度要求的最優(yōu)模糊聚類矩陣和最優(yōu)聚類中心矩陣。

4）計(jì)算train_x到各聚類中心的距離，并選取train_x中最小的距離其所對(duì)應(yīng)的樣本子集作為預(yù)測(cè)模型的輸入train_x2，選取其對(duì)應(yīng)的訓(xùn)練樣本比對(duì)集形成train_y2。

5）分別針對(duì)選取的初始數(shù)據(jù)（train_x2的一段數(shù)據(jù)）采用SVM進(jìn)行預(yù)測(cè)，并用式（1）根據(jù)每組預(yù)測(cè)結(jié)果與對(duì)應(yīng)的實(shí)際值（train_y2中的相應(yīng)數(shù)據(jù)）計(jì)算體現(xiàn)預(yù)測(cè)精度的目標(biāo)函數(shù)，然后采用粒子群算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)買得到SVM模型最優(yōu)參數(shù)向量（c，g）。

6）將最優(yōu)參數(shù)向量（c，g）代入SVM模型，得到?jīng)Q策回歸模型，將train_x2、train_y2樣本數(shù)據(jù)帶入模型中進(jìn)行訓(xùn)練，然后將處理過(guò)的test_x代入訓(xùn)練好的預(yù)測(cè)模型對(duì)公共樓宇空調(diào)預(yù)測(cè)日負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)。

基于PSO-SVM模型的公共樓宇空調(diào)日前負(fù)荷預(yù)測(cè)算法流程如圖4所示。

圖4 基于PSO-SVM模型的公共樓宇空調(diào)日前負(fù)荷預(yù)測(cè)Fig.4 Day ahead load forecasting model based on PSO-SVM

3 算例分析

在保證不過(guò)擬合前提下，SVM采用的數(shù)據(jù)量越大預(yù)測(cè)精度越高，故本文以蘇州石路國(guó)際商場(chǎng)2014年1-12月、2015年1-8月的24 h空調(diào)負(fù)荷數(shù)據(jù)及氣象數(shù)據(jù)為基礎(chǔ)，對(duì)其2015年8月17日的負(fù)荷曲線進(jìn)行預(yù)測(cè)。在樣本訓(xùn)練和預(yù)測(cè)過(guò)程中，每個(gè)時(shí)刻的預(yù)測(cè)輸入有10項(xiàng)：1-7項(xiàng)為預(yù)測(cè)日前7天對(duì)應(yīng)時(shí)刻的負(fù)荷L（d－1，h），L（d－2，h），L（d－3，h），L（d－4，h），L（d－5，h），L（d－6，h），L（d－7，h）；第8項(xiàng)為預(yù)測(cè)日該時(shí)刻的氣溫T；第9項(xiàng)為預(yù)測(cè)日的周屬性W=（1，2，…，7）；第10項(xiàng)為預(yù)測(cè)日的節(jié)日屬性F=（1，0），1表示節(jié)假日，0表示工作日。以下是時(shí)刻1的預(yù)測(cè)過(guò)程分析。

基于上述歷史數(shù)據(jù)進(jìn)行主成分分析得出4個(gè)主成分，其方差貢獻(xiàn)度柱狀圖如圖5所示。

根據(jù)圖5和表1的內(nèi)容，前4個(gè)成分的PCA總方差貢獻(xiàn)度已經(jīng)達(dá)到97.7042%，第5個(gè)成分總方差解釋已經(jīng)不足1%，故選取前4個(gè)成分作為模糊C均值聚類和SVM預(yù)測(cè)的輸入數(shù)據(jù)。

圖5 主成分的方差貢獻(xiàn)度柱狀圖Fig.5 The variance contribution rate histogram

表1 PCA總方差解釋及累積方差貢獻(xiàn)度Tab.1 Principal component analysis total variance explained and cumulative variance contribution rate

應(yīng)用聚類數(shù)自適應(yīng)的參數(shù)模糊C均值聚類算法對(duì)抽取主成分后的歷史數(shù)據(jù)進(jìn)行聚類，結(jié)果最佳聚類數(shù)c=6。其中模糊劃分隸屬矩陣U如表2所示，聚類中心矩陣V如表3所示。

計(jì)算預(yù)測(cè)日時(shí)刻1測(cè)試樣本數(shù)據(jù)到各聚類中心的歐式距離，結(jié)果最短歐式距離所對(duì)應(yīng)是第三類，因此，取訓(xùn)練樣本中所有的第三類對(duì)應(yīng)的時(shí)刻1歷史數(shù)據(jù)作為時(shí)刻1預(yù)測(cè)模型的訓(xùn)練樣本，送入到SVM負(fù)荷預(yù)測(cè)模型中。

然后采用粒子群算法對(duì)各個(gè)時(shí)刻負(fù)荷預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化，其中時(shí)刻1參數(shù)優(yōu)化的適應(yīng)度變化曲線如圖6所示，參數(shù)C=0.707 11，σ=11.313 7。為了對(duì)比分析，同時(shí)采用常規(guī)的交叉驗(yàn)證試湊方法來(lái)確定參數(shù)，結(jié)果為C=0.925，σ=12.306 5。

表2 模糊劃分隸屬矩陣Tab.2 Fuzzy partition membership matrix

表3 聚類中心矩陣Tab.3 Cluster center matrix

圖6 PSO優(yōu)化預(yù)測(cè)模型參數(shù)的適應(yīng)度曲線圖Fig.6 The fitness curve of the prediction model parameters optimization based on PSO

然后，基于訓(xùn)練好的24個(gè)時(shí)刻的預(yù)測(cè)模型進(jìn)行并行預(yù)測(cè)，得出待預(yù)測(cè)日的負(fù)荷曲線，預(yù)測(cè)值與實(shí)際值對(duì)比曲線如圖7所示。

圖7 預(yù)測(cè)值與實(shí)際值對(duì)比Fig.7 Comparison between predictive value and actual value

圖8列出了預(yù)測(cè)值與真實(shí)值的散點(diǎn)圖，從圖8中可以看出，預(yù)測(cè)值與實(shí)際值基本呈線性關(guān)系，擬合程度較好，說(shuō)明本文所建立的方法預(yù)測(cè)結(jié)果可信度較高。

圖8 預(yù)測(cè)結(jié)果散點(diǎn)圖Fig.8 Scatter plots of predicted results

進(jìn)一步對(duì)預(yù)測(cè)值偏移實(shí)際值的相對(duì)誤差進(jìn)行計(jì)算，結(jié)果如圖9所示，誤差偏移較為穩(wěn)定，相對(duì)誤差基本保持在9%的范圍內(nèi)波動(dòng)。

圖9 預(yù)測(cè)值與實(shí)際值的相對(duì)誤差圖Fig.9 The relative error between predicted and actual value

為進(jìn)行對(duì)比分析，本文采用3種方法進(jìn)行仿真分析。方法1是采用串行策略的SVM預(yù)測(cè)模型，并用粒子群算法對(duì)預(yù)測(cè)模型參數(shù)進(jìn)行優(yōu)化得出的預(yù)測(cè)結(jié)果，此方法中各時(shí)刻的預(yù)測(cè)值是后續(xù)時(shí)刻進(jìn)行預(yù)測(cè)時(shí)的一個(gè)輸入變量。方法2是采用基于1.2節(jié)構(gòu)建的并行策略、且用交叉驗(yàn)證試湊法選取模型參數(shù)的SVM預(yù)測(cè)方法所得出的預(yù)測(cè)結(jié)果。方法3則是采用本文所建立的方法得出的預(yù)測(cè)結(jié)果。3種方法的計(jì)算結(jié)果如表4所示。

表4 不同預(yù)測(cè)方法的指標(biāo)對(duì)比Tab.4 Index Comparison of different forecast method

對(duì)比方法3和方法1的計(jì)算結(jié)果可以看出，如果采用串行預(yù)測(cè)策略，則計(jì)算結(jié)果的平均相對(duì)誤差為8.761 2%，遠(yuǎn)大于并行預(yù)測(cè)策略的5.834 6%，也就是說(shuō)，預(yù)測(cè)數(shù)據(jù)參與后續(xù)時(shí)刻負(fù)荷的預(yù)測(cè)會(huì)產(chǎn)生較大的累積誤差。對(duì)比方法3和方法2的計(jì)算結(jié)果可知，如果采用交叉驗(yàn)證試湊法選取SVM的模型參數(shù)，則預(yù)測(cè)結(jié)果的平均絕對(duì)相對(duì)誤差為6.525 5%，且預(yù)測(cè)時(shí)間為18.04 s，耗時(shí)較長(zhǎng)。換句話說(shuō)，采用本文所提出的基于并行預(yù)測(cè)策略的粒子群自適應(yīng)優(yōu)化參數(shù)的SVM預(yù)測(cè)方法可顯著提高預(yù)測(cè)精度，減少預(yù)測(cè)時(shí)間。

4 結(jié)論

公共樓宇空調(diào)系統(tǒng)在用電系統(tǒng)中占有很大比例，其負(fù)荷量越來(lái)越大，對(duì)電力系統(tǒng)的正常運(yùn)行產(chǎn)生較大的影響。通過(guò)對(duì)公共樓宇空調(diào)系統(tǒng)進(jìn)行日前負(fù)荷預(yù)測(cè)有助于對(duì)其制定合理的調(diào)度和控制策略。通過(guò)本文的研究可以得出以下幾點(diǎn)結(jié)論：

1）用于空調(diào)負(fù)荷預(yù)測(cè)的原始輸入數(shù)據(jù)較粗糙，通過(guò)PCA方法可尋求有效且與負(fù)荷預(yù)測(cè)密切相關(guān)的最少輸入變量，再結(jié)合模糊C均值聚類方法可快速找到合適規(guī)模的訓(xùn)練樣本，提高計(jì)算效率和預(yù)測(cè)精度。

2）在不同情況下，理想的SVM預(yù)測(cè)模型參數(shù)具有差異，采用PSO自適應(yīng)優(yōu)化SVM的模型參數(shù)可避免參數(shù)選擇的盲目性。

3）公共樓宇空調(diào)負(fù)荷的變化具有明顯的時(shí)間特征，通過(guò)并行預(yù)測(cè)策略將多步預(yù)測(cè)問(wèn)題轉(zhuǎn)化為一步預(yù)測(cè)，可消除累積誤差對(duì)預(yù)測(cè)結(jié)果的影響，并可同時(shí)進(jìn)行各時(shí)間點(diǎn)的預(yù)測(cè)，提高了預(yù)測(cè)速度和預(yù)測(cè)精度。

[1]張小東，李巍.某大型公共建筑的能耗分析及對(duì)策[J].節(jié)能技術(shù)，2013（4）:335-339，344.ZHANG Xiaodong，LI Wei，A large public building energy con-sumption analysis and countermeasures[J].Energy Saving Technology，2013（4）:335-339，344（in Chinese）.

[2]王寧，謝敏，鄧佳梁，等.基于支持向量機(jī)回歸組合模型的中長(zhǎng)期降溫負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2016，44（3）：92-97.WANG Ning，XIE Min，DENG Jialiang，et al.The protection and control of the medium and long term load forecasting based on support vector machine regression combined model[J].Power System，2016，44（3）:92-97（in Chinese）.

[3]魏小榮，雷鳴靂.電力系統(tǒng)負(fù)荷預(yù)測(cè)新技術(shù)[J].陜西電力，2006（1）:33-34，36，9.WEI Xiaorong，LEI Mingli.Power system load forecasting technology[J].Shaanxi Electric Power，2006（1）:33-34，36，9（in Chinese）.

[4]陳文鼎，趙哲身.基于BP神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)[J].節(jié)能技術(shù)，2010（1）:15-17.CHEN Wending，ZHAO Zheshen.Air conditioning load forecasting based on BP neural network[J].Energy Saving Technology，2010（1）:15-17（in Chinese）.

[5]李霄，王昕，鄭益慧，等.基于改進(jìn)最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的短期風(fēng)電負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2015（11）:63-69.LI Xiao，WANG Xin，ZHENG Yihui，et a1.Short-term wind load forecasting based on improved LSSVM and error forecasting correction[J].Power System Protection and Control，2015（11）:63-69（in Chinese）.

[6]陳成，朱敏，王樹朋.基于原子分解和支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)[J].陜西電力，2014（10）:1-5.CHEN Cheng，ZHU Min，WANG Shupeng.Based on the short term power load forecasting based on atomic decomposition and support vector machines[J].Shaanxi Electric Power，2014（10）:1-5（in Chinese）.

[7]王愷，關(guān)少卿，汪令祥，等.基于模糊信息?；妥钚《酥С窒蛄繖C(jī)的風(fēng)電功率聯(lián)合預(yù)測(cè)建模[J].電力系統(tǒng)保護(hù)與控制，2015（2）:26-32.WANG Kai，GUAN Shaoqing，WANG Lingxiang，et al.Modeling power system protection and control based on fuzzy information granulation and least square support vector machine[J].Power System Protection and Control，2015（2）:26-32（in Chinese）.

[8]WANG Ben，LENG Beixue，ZHANG Xihai，et a1.A combined forecasting model for wind power predication based on fuzzy infor-mation granulation and least squares support vector machine[J].Power System Protection and Control，2015（2）:26-32.

[9]王新，孟玲玲.基于EEMD-LSSVM的超短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2015，43（1）：61-66.WANG Xin，MENG Lingling.Super short term load forecasting based on EEMD-LSSVM[J].Power System Protection and Control，2015，43（1）:61-66（in Chinese）.

[10]毛力，王運(yùn)濤，劉興陽(yáng).基于改進(jìn)極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)方法[J].電力系統(tǒng)保護(hù)與控制，2012，40（20）：140-144.MAO Li，WANG Yuntao，LIU Xingyang.Short-term power load forecasting method based on improved extreme learning machine[J].Power System Protection and Control，2012，40（20）：140-144（in Chinese）.

[11]張智晟，孫雅明，張世英，等.基于數(shù)據(jù)挖掘多層次細(xì)節(jié)分解的負(fù)荷序列聚類分析[J].電網(wǎng)技術(shù)，2006，30（2）: 51-56.HANG Zhisheng，SUN Yaming，ZHANG Shiying，et al.Clustering analysis of electric load series using clustering algorithm of mul-ti-hierarchy and detailed decomposition based on data min-ing[J].Power System Technology，2006，30（2）:51-56（in Chinese）.

[12]NIU Dongxiao，GU Zhihong，XING Mian.Study on forecasting approach to short-term load of SVM based on data mining[J].Proceedings of The Chinese Society For Electrical Engineering，2006，26（18）:6-12.

[13]馬斌，張麗艷.一種基于徑向基神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率直接預(yù)測(cè)方法[J].電力系統(tǒng)保護(hù)與控制，2015，43（19）:78-82.MA Bin，ZHANG Liyan.Short-term wind power direct forecasting based on RBF neural network[J].Power System Protection and Control，2015，43（19）:78-82（in Chinese）.

[14]趙登福，吳娟，劉昱，等.基于事例推理的短期負(fù)荷預(yù)測(cè)[J].西安交通大學(xué)學(xué)報(bào)，2003，37（6）:608-611.ZHAO Dengfu，WU Juan，LIU Yu，et al.Case-based reasoning for short term load forecasting[J].Journal of Xi’an Jiaotong Universi-ty，2003，37（6）:608-611（in Chinese）.

[15]劉敦楠，何光宇，范旻，等.數(shù)據(jù)挖掘與非正常日的負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，2004，28（3）:53-57.LIU Dunnan，HE Guangyu，F(xiàn)AN Min，et al.Data mining and non normal day load forecasting[J].Automation of Electric Power Systems，2004，28（3）:53-57（in Chinese）.

[16]FAN S，CHEN L.Short-term load forecasting based on anadaptive hybrid method[J].IEEE Transactions on Power Systems，2006，21（1）:392-401.

[17]邵信光，楊慧中，陳剛.基于粒子群優(yōu)化算法的支持向量機(jī)參數(shù)選擇及其應(yīng)用[J].控制理論與應(yīng)用，2006（5）: 740-743，748.SHAO Xinguang，YANG Huizhong，CHEN Gang.Parameter selection of support vector machine based on particle swarm optimization al-gorithm and its application[J].Control Theory and Application，2006（5）:740-743，748（in Chinese）.

[18]CEPERIC E，CEPERIC V，BARIC A.A strategy for short-term load fore-casting by support vector regression machines[J].Power Systems，IEEE Transactions on，2013，28（4）:4356-4364（in Chinese）.

[19]范雪莉，馮海泓，原猛.基于互信息的主成份分析特征選擇算法[J].控制與決策，2013，28（6）：915-919.AN Xueli，F(xiàn)ENG Haihong，YUAN Meng.PCA based on mutual information for feature selection[J].Control and Decision，2013，28（6）：915-919（in Chinese）.

[20]CHUANG K S，TZENG H L，CHEN S，et al.Fuzzy c-means clustering with spatial information for image segmentation[J].Computerized Medical Imaging and Graphics，2006，30（1）:9-15.

Day-Ahead Air Conditioning Load Forecasting of Public Building Based on Parallel Prediction Strategy

YAN Qingguo1，RUAN Wenjun1，CHEN Chu1，CHEN Xingying2，3，NING Yifei2，3，YU Kun2，4
（1.State Grid Jiangsu Power Company，Nanjing 210029，Jiangsu，China；2.College of Energy and Electrical Engineering，Hohai University，Nanjing 211100，Jiangsu，China；3.Jiangsu Distribution Utilization and Energy Efficiency Engineering Center，Nanjing 21100，Jiangsu，China；4.Nanjing Hehai Science and Technology Ltd.，Nanjing 210098，Jiangsu，China）

With the development of urbanization in China，the energy consumption of public buildings is increasing at a faster pace.It is the basis of the work to forecast the electric load of the air conditioning system in public buildings for strengthening the management of energy consumption and reduce the level of energy consumption.In view of the phenomenon that the daily load forecasting deviation of the air conditioning system in public buildings is large，a parallel prediction strategy is put forward to set up the load forecasting model in the day ahead 24 hours.Then combine the principal component analysis and fuzzy C means clustering to pre-process the data.The algorithm forms the appropriate data dimension and data size.And the processed data is used as the input of the support vector machine model.The parameters of SVM are optimized by PSO algorithm.Based on the real historical data of air conditioning load in public buildings，comparative analysis of the proposed method and the traditional SVM algorithm.The results show that the proposed method makes full use of the characteristics of air conditioning load in public buildings，forecasting the load in high accuracy and high speed.

public building air conditioning system；day ahead load forecasting；parallel prediction strategy；data preprocessing；parameter optimization of SVM

2016-06-18。

顏國(guó)慶（1968—），男，碩士，高級(jí)工程師，研究方向?yàn)闋I(yíng)銷智能化業(yè)務(wù)及需求側(cè)管理。

（編輯 徐花榮）

國(guó)家自然科學(xué)基金項(xiàng)目（51577051）；國(guó)家電網(wǎng)公司科技項(xiàng)目（SGJS0000YXJS1501044）。

Project Supported by National Natural Science Foundation of China（51577051）；Science and Technology Program of State Grid Corporation of China（SGJS0000YXJS1501044）.

1674-3814（2016）11-0080-07

TU831.2；TM715

A