基于魚群算法和支持向量機(jī)的微電網(wǎng)負(fù)荷預(yù)測

劉源

（大慶油田電力集團(tuán)油田熱電廠，黑龍江省大慶市 163314）

基于魚群算法和支持向量機(jī)的微電網(wǎng)負(fù)荷預(yù)測

劉源

（大慶油田電力集團(tuán)油田熱電廠，黑龍江省大慶市 163314）

為滿足微電網(wǎng)建設(shè)和分布式能源的發(fā)展，微電網(wǎng)的負(fù)荷預(yù)測是電網(wǎng)規(guī)劃和建設(shè)研究中的一個難點問題。由于微電網(wǎng)負(fù)荷不確定性和波動性強(qiáng)等特性，常規(guī)的負(fù)荷預(yù)測方法不能直接用于微電網(wǎng)負(fù)荷預(yù)測中，根據(jù)微電網(wǎng)的特點，考慮微電網(wǎng)負(fù)荷受到天氣因數(shù)和星期類型等影響，提出一種基于魚群算法和支持向量機(jī)算法結(jié)合的微電網(wǎng)負(fù)荷預(yù)測模型。方法中將魚群算法應(yīng)用于支持向量機(jī)的參數(shù)尋優(yōu)中。仿真實驗表明，與傳統(tǒng)的支持向量機(jī)微網(wǎng)負(fù)荷預(yù)測結(jié)果對比，其對微網(wǎng)負(fù)荷的預(yù)測結(jié)果具有更高的精度，滿足實際要求。

負(fù)荷預(yù)測；微電網(wǎng)；支持向量機(jī)；魚群算法

0 引言

微網(wǎng)短期負(fù)荷預(yù)測是微網(wǎng)優(yōu)化運行和節(jié)能減排的基礎(chǔ)，預(yù)測精度直接影響微電網(wǎng)系統(tǒng)發(fā)供電計劃的編制、供電質(zhì)量和電力市場交易等[1～2]。無論是對主電網(wǎng)的預(yù)測還是對微電網(wǎng)的預(yù)測，無論是應(yīng)用傳統(tǒng)的預(yù)測理論還是應(yīng)用現(xiàn)代的預(yù)測理論，其原理都是通過分析預(yù)測對象歷史負(fù)荷的變化規(guī)律，依據(jù)外界影響因數(shù)和時間的延伸性，預(yù)測下一時間段的負(fù)荷。從數(shù)學(xué)理論上講，建立負(fù)荷預(yù)測模型的過程就是建立數(shù)學(xué)函數(shù)，通過數(shù)學(xué)函數(shù)找出預(yù)測對象的變化規(guī)律，然后根據(jù)變化規(guī)律以及影響因數(shù)，對微電網(wǎng)負(fù)荷進(jìn)行預(yù)測[3]。

傳統(tǒng)的電力系統(tǒng)進(jìn)行短期負(fù)荷預(yù)測的方法主要是自滑動平均法和趨勢外推法等[4]。目前的預(yù)測方法主要以智能技術(shù)為依托，以神經(jīng)網(wǎng)絡(luò)、小波分析和支持向量機(jī)為主。相比于傳統(tǒng)的電力系統(tǒng)負(fù)荷，微網(wǎng)的負(fù)荷更加不穩(wěn)定，且隨機(jī)性和突變性比較強(qiáng)。當(dāng)微電網(wǎng)電力系統(tǒng)處于復(fù)雜的外界因素中時，應(yīng)用傳統(tǒng)單一的負(fù)荷預(yù)測方法不能滿足微電網(wǎng)短期負(fù)荷預(yù)測的要求，預(yù)測精度超出可接受范圍。而利用魚群算法優(yōu)化支持向量機(jī)的組合預(yù)測方法對微網(wǎng)負(fù)荷預(yù)測不僅能消除單一預(yù)測方法的不足，而且能夠提高預(yù)測精度[5～7]。

1 支持向量機(jī)模型

支持向量機(jī)（SVM）由Vapnik首先提出，是基于統(tǒng)計學(xué)VC維理論和結(jié)構(gòu)風(fēng)險最小化原理的機(jī)器學(xué)習(xí)方法，像很多層感知器網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)一樣，支持向量機(jī)可以用于模式分類和非線性回歸。其應(yīng)用于回歸擬合的主要思想是尋找到一個最優(yōu)分類平面，使得所有訓(xùn)練樣本離該最優(yōu)分類平面的誤差最小[8～10]。其數(shù)學(xué)模型如下：

設(shè)訓(xùn)練集樣本為：

高維空間中線性回歸函數(shù)為：

所有訓(xùn)練數(shù)據(jù)在小于誤差ε的不敏感損失函數(shù)為：

C為懲罰因子，C越大對樣本懲罰越大，其對偶形式為：

則回歸函數(shù)為：

將非線性回歸問題映射到高維空間中，選取徑向基函數(shù)為核函數(shù)：

將核函數(shù)代入上式的內(nèi)積（xi·x）中，則式（11）為：

2 魚群算法

人工魚群算法是李曉磊等人提出的基于動物群體行為的仿生優(yōu)化算法。算法中模仿魚群對食物的覓食行為、追尾行為、聚群行為和隨機(jī)行為等在魚群視野范圍內(nèi)進(jìn)行尋優(yōu)，是群體智能思想的一個應(yīng)用[11～13]。

其行為活動如下：

1）覓食行為。

設(shè)人工魚當(dāng)前位置為Xi，在其視野范圍內(nèi)選擇一個位置為Xj，在求極大值問題中，如果Yi＜Yj，表示該地點食物量較多，則向該方向游動；反之，重新隨機(jī)選擇一個位置Xj，再次確認(rèn)是否能向前游動。如此反復(fù)嘗試后，如果不能滿足游動條件，則隨機(jī)游動到下一個位置。

2）聚群行為。

設(shè)人工魚當(dāng)前位置為Xi，搜所視野內(nèi)同伴的數(shù)目n及視野內(nèi)同伴的中心位置Xm，如果Ym/n＞δYi，δ為擁擠系數(shù)，說明伙伴中心的食物量較大，則向伙伴的中心位置游動一步；否則選擇覓食行為。

3）追尾行為。

設(shè)人工魚當(dāng)前位置為Xi，搜尋視野內(nèi)的魚群數(shù)目n及視野中食物量為最大的同伴Xj，如果Yj/n＞δYi，說明同伴Xj的位置食物量較高，則向同伴Xj的位置游動一步；否則選擇覓食行為。

4）隨機(jī)行為。

隨機(jī)行為是覓食行為的一個補充行為，就是在視野范圍內(nèi)隨機(jī)選擇下一個人工魚的位置，即Xi的下一個位置Xnext為：

visual為人工魚的感知距離，r是-1到1區(qū)間的一個隨機(jī)數(shù)。

人工魚群算法流程如圖1所示：

3 魚群算法優(yōu)化支持向量機(jī)

圖1 人工魚群算法流程圖Fig.1 Flow chart of artificial fish swarm algorithm

支持向量機(jī)參數(shù)的大小決定著預(yù)測精度和分類準(zhǔn)確率的高低，所以，選取最優(yōu)的支持向量機(jī)參數(shù)是一個關(guān)鍵的問題。相對于核函數(shù)為徑向基函數(shù)的支持向量機(jī)來說，參數(shù)選取包括懲罰系數(shù)C和核函數(shù)參數(shù)G，而核函數(shù)參數(shù)G的作用是對低維空間映射到高位空間的樣本數(shù)據(jù)分布的復(fù)雜度的度量，懲罰系數(shù)C的作用是控制模型的間隔最大化，調(diào)節(jié)特征空間中經(jīng)驗風(fēng)險的比例和學(xué)習(xí)機(jī)器的置信范圍。通過選取最佳的懲罰系數(shù)和核函數(shù)參數(shù)可以使模型的學(xué)習(xí)能力和泛華能力達(dá)到最好的要求，所以，模型的性能取決于這兩個參數(shù)的選擇。

人工魚群算法具有對初始值與參數(shù)選擇不敏感、魯棒性強(qiáng)，且擁有克服局部極值，取得全局極值，對搜索空間有一定的自適應(yīng)能力，所以對SVM中的參數(shù)C和G進(jìn)行尋優(yōu)，尋找最佳的C和G使得SVM輸出最佳的結(jié)果。

利用魚群算法優(yōu)化SVM參數(shù)的算法流程如圖2所示：

圖2 魚群算法優(yōu)化SVMFig.2 Fish swarm optimization algorithm SVM

人工魚群算法的魚群數(shù)量為N=50，魚群視野范圍Visual=2，最大嘗試次數(shù)Number=50，最大遺傳代數(shù)為50代，人工魚移動步長為0.732，擁擠度因子為0.65。

支持向量機(jī)的模型采用臺灣大學(xué)林智仁教授開發(fā)的libsvm工具箱建立回歸模型，選取徑向基函數(shù)為核函數(shù)，懲罰參數(shù)C的取值范圍0.1到100，核函數(shù)參數(shù)G的取值范圍0.001到10。

魚群算法參數(shù)尋優(yōu)過程如圖3所示：

從圖3可以看出支持向量機(jī)訓(xùn)練模型輸出的目標(biāo)函數(shù)在13代時趨于穩(wěn)定，達(dá)到最優(yōu)解。輸出最佳懲罰參數(shù)C為4.36，最佳核函數(shù)G為0.029。

4 算例分析

為驗證魚群算法優(yōu)化支持向量機(jī)對微電網(wǎng)負(fù)荷預(yù)測的精度，將改進(jìn)算法與標(biāo)準(zhǔn)支持向量機(jī)算法和BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果進(jìn)行對比，在數(shù)據(jù)上選取我國南

圖3 魚群算法參數(shù)尋優(yōu)Fig.3 Parameter optimization of fish school algorithm

方島嶼微電網(wǎng)示范工程用戶側(cè)10天240h的用電量以及歷史天氣和溫度等數(shù)據(jù)作為訓(xùn)練集，并把下一天的24h負(fù)荷數(shù)據(jù)作為測試集。在此數(shù)據(jù)的基礎(chǔ)上應(yīng)用魚群算法優(yōu)化支持向量機(jī)的模型對下一天的24h微網(wǎng)負(fù)荷進(jìn)行預(yù)測，并將預(yù)測值與實際值的數(shù)據(jù)進(jìn)行對比，采用均方誤差和平方相關(guān)系數(shù)評價分析模型的精確度。

其公式為：

其仿真結(jié)果的均方誤差和平方相關(guān)系數(shù)見表1。

表1 三種算法結(jié)果比較Tab.1 Comparison of three algorithms

從表1可以看出，基于魚群算法優(yōu)化支持向量機(jī)的模型預(yù)測結(jié)果，無論是均方誤差還是平方相關(guān)系數(shù)都優(yōu)于傳統(tǒng)的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果，可以認(rèn)為改進(jìn)的支持向量機(jī)的性能從整體上要優(yōu)于傳統(tǒng)的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)。其對應(yīng)的相對平均誤差如圖4所示。圖5為微網(wǎng)負(fù)荷預(yù)測曲線。

從圖5中可知SVM和魚群—SVM的預(yù)測的穩(wěn)定度要高，而且經(jīng)過魚群算法優(yōu)化后的SVM預(yù)測精度有明顯提高，其平方相關(guān)系數(shù)為97.33%，比傳統(tǒng)SVM和BP神經(jīng)網(wǎng)絡(luò)分別提高了3.17%和5.3%，更加適合微電網(wǎng)的波動性、隨機(jī)性的特點，滿足微電網(wǎng)短期負(fù)荷預(yù)測的要求。

圖4 相對平均誤差Fig.4 Relative mean error

圖5 微網(wǎng)負(fù)荷預(yù)測曲線Fig.5 Micro grid load forecasting curve

5 結(jié)束語

本文對傳統(tǒng)的支持向量機(jī)模型進(jìn)行改進(jìn)，實現(xiàn)了魚群算法優(yōu)化支持向量機(jī)的方法用于微網(wǎng)進(jìn)行負(fù)荷預(yù)測?？朔Ｐ蛥?shù)選著隨意性對支持向量機(jī)性能的不利影響。通過算例分析表明，魚群算法優(yōu)化支持向量機(jī)模型能較好地預(yù)測微電網(wǎng)負(fù)荷變化的情況，不僅能夠處理微網(wǎng)負(fù)荷存在的高度非線性，而且具有較好的自適應(yīng)能力和泛華能力，有效提高了微電網(wǎng)短期負(fù)荷預(yù)測的精度，具有一定實用價值。

[1] 魯宗相，王彩霞，閔永，等.微電網(wǎng)研究綜述[J].電力系統(tǒng)自動化，2007，（19）：100-107.LU Zongxiang， WANG Caixia， YAN Yong， et.al. Summary of Micro Grid Research[J]. Automation of Electric Power Systems，2007， （19）：100-107.

[2] 康重慶.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M].北京：中國電力出版社，2004：25-51.KANG Chongqing. Power System Load Forecasting Technology and its Application[M]. Beijing ： China Electric Power Press，2004：25-51.

[3] 尹昊，新能源微電網(wǎng)短期負(fù)荷預(yù)測[D].湖南大學(xué)，2012.YIN Hao. Short Term Load Forecasting of New Energy Micro Grid[D].Hunan University，2012.

[4] 陳娟，吉培榮，盧峰.指數(shù)平滑法及其在負(fù)荷預(yù)測中的應(yīng)用[J].三峽大學(xué)學(xué)報：自然科學(xué)版，2010，32（3）：37-41.CHEN Juan， JI Peirong， LU Feng. Exponential Smoothing Method and its Application in Load Forecasting[J]. Journal of China Three Gorges University（Natural Sciences）， 2010， 32（3）：37-41.

[5] 王友春，文閃閃.基于ARIMA_SVM模型的微電網(wǎng)短期負(fù)荷組合預(yù)測研究[J].陜西電力，2014，42（3）：19-23.WANG Youchun，WEN Shanshan.Study on Short Term Load Forecasting of Microgrid Based on ARIMA_SVM model[J].Shaanxi Electric Power， 2014， 42（3）：19-23.

[6] 張玲玲，楊明玉，梁武.基于相似日和LS-SVM的微網(wǎng)短期負(fù)荷預(yù)測[J].電力建設(shè)：微電網(wǎng)技術(shù)，2014，35（11）：32-37.ZHANG Lingling，YANG Mingyu， LIANG Wu. Short Term Load Forecasting Based on Similar Days and LS-SVM[J]. Power Construction ： Micro Grid Technology， 2014， 35（11）：32-37.

[7] 徐晟，蔣鐵錚，向磊.ELM算法在微電網(wǎng)超短期負(fù)荷預(yù)測的應(yīng)用[J].電氣開關(guān)，2013，5（3）：70-76.XU Sheng， JIANG Tiezheng， XIANG Lei. Application of ELM Algorithm in the Ultra Short Term Load Forecasting of Microgrid[J]. Electric Switch， 2013，5（3）：70-76.

[8] 秦躍進(jìn)，陶芬.基于改進(jìn)負(fù)荷密度法的微網(wǎng)負(fù)荷預(yù)測[J].中國水利水電，2013.4（7）：149-152.QIN Yuejin， TAO Fen， et.al. Load Forecasting Based on Improved Load Density Method[J]. Journal of China Institute of Water Resources and Hydropower Research， 2013， 4（7）：149-152.

[9] 田海雷，李洪儒，許葆華，等.基于改進(jìn)人工魚群算法的支持向量機(jī)預(yù)測[J].計算機(jī)工程，2013，39（4）：208-212.TIAN Hailei，LI Hongru，XU Baohua， et.al. Support Vector Machine Prediction Based on Improved Artificial Fish Swarm Algorithm[J]. Computer Engineering， 2013， 39（4）： 208-212.

[10] 湯慶峰，劉念，張建華，等.基于EMD-KELM-EKF與參數(shù)優(yōu)選的用戶側(cè)微電網(wǎng)短期負(fù)荷預(yù)測方法[J].電網(wǎng)技術(shù)，2014，38（10）：2691-2699.TANG Qingfeng， LIU Nian， ZHANG Jianhua， et.al. Short Term Load Forecasting Method Based on EMD-KELM-EKF and Parameter Optimization of User Side Micro Grid[J]. Power Grid Technology， 2014， 38（10）： 2691-2699.

[11] 楊再鶴，向鐵元，鄭丹.基于小波變換和SVM算法的微電網(wǎng)電氣負(fù)荷預(yù)測研究[J].現(xiàn)代電力，2014，3174-79.YANG Zaihe， XIANG Tieyuan， ZHENG Dan. Research on Electric Load Forecasting Based on Wavelet Transform and SVM Algorithm[J]. Modern Electric Power， 2014， 31（3）： 74-79.

[12] 李曉磊.一種新型的智能優(yōu)化方法——人工魚群算法[D].浙江大學(xué)，2003.LI Xiaolei. A New Intelligent Optimization Method-artificial Fish Swarm Algorithm[D]. Zhejiang University， 2003.

[13] 王聯(lián)國，洪毅，趙付青，等.一種簡化的人工魚群算法[J].小型微型計算機(jī)系統(tǒng)，2009，30（8）：1663-1667.WANG Lianguo， HONG Yi， ZHAO Fuqing， et.al. A Simplified Artificial Fish Swarm Algorithm[J].Small and Micro Computer System，2009，30（8）： 1663-1667.

The Load Forecasting of the Micro-grid Based on the Fish Swarm Algorithm and Support Vector Machine

LIU Yuan
(Thermal power plant of Daqing Oilfield Power Group, Daqing 163314, China)

In order to meet the development of the Micro-grid and distributed energy， the load forecasting of the Micro-grid is a difficult problem in the research of power system planning and construction. Due to the uncertainty and strong uncertainty of the load of the Micro-grid， Loads of the conventional prediction methods cannot be directly used for micro grid load forecasting，according to the characteristics of micro grid， According to the characteristics of micro grid， Considering the influence of the weather factor and the type of the week about the Micro-grid， A model based on fish swarm algorithm and support vector machine algorithm of the Micro-grid load forecasting is proposed.The fish swarm algorithm is applied to the parameter optimization of support vector machine. The simulation results show that compared with the traditional support vector machine， the result of the load forecasting of the support vector machine has higher precision and meets the actual requirements.

the load forecasting； the Micro-Grid；the fish swarm algorithm；the support vector machine

TV736

A

570.15

10.3969/j.issn.2096-093X.2017.01.021

2016-04-18

2016-04-23

劉源（1982—），男，本科，工程師，專工。專業(yè)特長：電氣檢修；研究方向：電網(wǎng)自動化。E-mail：liuyuan003@cnpc.com.cn