| 基于K均值聚类与支持向量机的电力系统短期负荷预测 |
| 来源：一起赢论文网 日期：2013-06-02 浏览数：3513 【 字体： 大 中 小 大 中 小 大 中 小 】 |
|
摘 要 准确的短期电力负荷预测能够帮助供电部门有效地拟定日前发电计划，合理安排电厂发电机组的启停，有效降低发电成本，维持电力网电能供需的实时平衡，提高电力系统的稳定性，具有良好的社会效益和经济效益。尤其在电力行业引入市场竞争机制后，负荷预测受到愈来愈多电力工作者的关注。支撑向量机是一种新颖的机器学习方法，能够利用高维映射把非线性问题转换为线性问题，在模式识别和函数回归估计具有不错的工作性能，然而，当有海量输入数据参与到训练模型时，收敛时间较长。本文首先列举了多种短期负荷预测算法，阐述各自的优缺点，接着由浅至深的介绍支撑向量机和聚类分析的基本理论。然后本文结合佛山地区的社会环境以及负荷特性，在对历史负荷数据进行必要的数据预处理之后，建立数据映射库，并利用模糊 K 均值聚类按照气候条件和日期类型挑选相似日。最后，以聚类后的相似日为输入数据，合理设置模型参数，在 JAVA 平台上训练支撑向量机模型，对佛区 2012 年 3 月 28 日 96时刻点的负荷进行预测，并且将预测结果与用神经网络算法预测的结果进行对比。结果表明，基于模糊 K 均值聚类的支撑向量机算法能够有效提高电力负荷预测精度。 关键词：支撑向量机；模糊K均值聚类；JAVA；短期电力负荷预测
摘 要 ..........................................................................................................................I 第一章 绪论................................................................................................................. 1 1.1 短期负荷预测的研究意义 ......................................................................... 1 1.2 短期负荷预测的内容及其特点 ................................................................. 1 1.3 负荷预测的步骤 ......................................................................................... 2 1.4 短期负荷预测的研究现状 ......................................................................... 2 1.5 负荷预测误差指标 ..................................................................................... 4 1.6 本文研究的主要内容以及章节安排 ......................................................... 6 第二章 支撑向量机和聚类分析的基本理论............................................................. 7 2.1 支撑向量机 ................................................................................................. 7 2.1.1 支撑向量机分类原理....................................................................... 7 2.1.2 支撑向量机回归原理......................................................................11 2.1.3 SVM训练求解算法 ........................................................................ 12 2.2 聚类分析 ................................................................................................... 13 2.2.1 聚类的思想..................................................................................... 13 2.2.2 K均值聚类 ...................................................................................... 14 2.2.3 模糊K均值聚类 .............................................................................. 14 2.3 本章小结 ................................................................................................... 15 第三章 基于SVM的短期负荷预测建模与实例分析.............................................. 17 3.1 原始数据的预处理 ................................................................................... 17 3.1.1 数据预处理的必要性..................................................................... 17 3.1.2 数据预处理的方法......................................................................... 17 3.2 基于聚类分析的相似日选择 ................................................................... 18 3.2.1 特征因素的选取............................................................................. 19 3.2.2 映射数据库设计............................................................................. 19 3.2.3 模糊K均值聚类算法实现 .............................................................. 20 3.2.4 最终聚类结果................................................................................. 20 3.3 SVM短期负荷预测................................................................................... 21 3.3.1 样本输入量的选择......................................................................... 21 3.3.2 数据归一化..................................................................................... 22 3.3.3 参数选择......................................................................................... 22 3.3.4 误差指标......................................................................................... 22 3.3.5 实例分析......................................................................................... 22 3.4 本章小结 ................................................................................................... 26 第四章 结论与展望................................................................................................... 28 4.1 全文总结 ................................................................................................... 28 4.2 后继工作的展望 ....................................................................................... 28 参考文献..................................................................................................................... 30 附录 ....................................................................................................................... 32 第一章 绪论 1.1 短期负荷预测的研究意义 电力系统负荷预测是依据某一区域在某一时间段内相关的社会环境、气象条件、历史电力负荷数据等信息，探寻电力负荷跟这些影响因子的内在联系，建立恰当的数学模型后对将来的电力负荷做出科学合理的预测。负荷预测已成为供电部门的重要工作之一，负荷预测工作水平的高低已成为衡量一个电力企业的经营管理是否走向现代化的关键指标之一[8]。以日负荷曲线为预测对象的短期负荷预测是拟定日前发电计划的基本任务，合理的短期负荷预测能够帮助电力工作者合理安排电厂发电机组的启停，有效降低发电成本，提高电力系统的稳定性。电力负荷预测，尤其在电力行业引入市场竞争机制的进程中，其实质是对电力市场需求的预测，在电力市场中扮演着重要角色。电力供需时时刻刻维持平衡的特点决定了电力行业的预测比其他行业的更为紧迫，人们逐渐认识到，做好电力负荷预测工作，具有显著的社会效益和经济效益[11]。 1.2 短期负荷预测的内容及其特点 短期负荷预测是负荷预测的重要组成部分，主要作用是预测未来一天至几天的电力负荷，它对于调度安排、开停机计划、经济调度、机组最优组合、最优潮流、电力市场交易有着重大的意义，短期负荷预测精度越高，就越有利于提高发电设备的利用率经济调度的有效性，避免能源过多的浪费。短期负荷预测的最大特点是具有明显的周期性，表现如下：1、不同日之间 96 时刻点的负荷曲线总体变化规律具有一定的相似性；2、不同周、同一星期类型日具有一定的相似性；3、工作日、周末具有各自的相似性；4、不同年度的重大节假日负荷曲线具有一定的相似性。除此之外，短期负荷还有一个特点就是其往往会受到各种外在因素的影响，如季节变换、气象条件骤变、设备故障及检修、拉闸限电、社会突发事件等，都有可能让负荷曲线出现非平稳的随机变动。节假日预测是一类特殊的短期负荷预测问题，由于大部分人的工作、生活等活动发生较大变化，节假日期间的电力负荷曲线跟正常日的有着明显的差异，而且供电部门一般需要提前多日对节假日内的多日负荷进行预测，这增加预测工作的难度，但不同年份之间的相同节假日的标幺曲线趋势相似，采用年度倍比法能够取得较好的预测效果。 1.3 负荷预测的步骤电力系统 负荷预测一般可分为如下几个步骤：1、预测对象和预测内容的确定。不同电压等级的电网对预测内容的详尽水平和误差精度均有各自不同的要求，即便是在同一地区，不同时期内对预测内容的要求也有所差异，所以需先确定合理、可行的预测内容。2、历史资料的收集。历史数据是短期负荷预测的重要基础，在建立与训练数学模型时都需要输入大量原始数据，因此，应依据预测内容的对应要求，广泛深入搜集各类信息，所收集的信息应尽可能全面、完整、可靠、准确。除了电力系统本身的历史负荷数据之外，还需收集气象、社会环境、经济发展等影响负荷变化的相关信息。3、基础资料的剖析。对海量信息进行具体细致的分析后，筛选其中典型的、可信的和完整的数据作为电力负荷预测的基本材料。4、预测模型和算法的选择。结合该区域的气象条件、社会环境、经济发展状况，选择多种不同的数学模型进行预测，并将预测结果进行对比分析，再进一步选择恰当的模型。5、建模。对预测对象进行客观、仔细的分析，依据历史数据等各种影响因素和所确定的模型集，确定合理的数学模型。6、数据的预处理。异常数据很难避免，因此需要采取合理的方法对所收集的原始数据进行预处理，以提高预测精度 。7、模型参数辨识。根据实际案例和原始数据合理设置该模型的相关参数。8、应用模型进行预测。依据建立的模型以及所选的模型参数，结合预处理后的数据信息，对未来的电力负荷进行预测。9、预测结果的综合分析和评价。应根据实际案例选择若干模型进行预测，对多种模型的负荷预测结果进行多方面的对比分析，评价各种预测模型的优缺点，并适当选取模型进行优化组合，设置合理的权值参数，实现综合预测模型。 1.4 短期负荷预测的研究现状由于负荷预测的重要性，20 世纪 80 年代以后，很多电力负荷研究人员对负荷预测理论、方法展开了广泛且深入的研究，现在应用于短期负荷预测的方法已经有很多种了。传统的预测方法有时间序列法、回归分析法、自身外推法、相关分析法等，因为模型简单实用，模型参数具有较清楚的实际物理意义，在过去的实际应用较为广泛。随着社会的发展，电力行业发展迅猛，同时也出现了一些交叉的新兴学科和系统理论，使得负荷预测领域产生了许多以先进的应用理论为基础的模型，这类模型常被称为新兴模型，如 遗传算法、神经理论，灰色理论、小波理论、模糊预测理论、支撑向量机理论等，下面将简要介绍经典的负荷预测方法和新兴的智能预测算法的原理及其特点。 1、时间序列法由美国学者 George Box 和英国统计学家 Gwilym Jenkins 在 1968 年提出的时间序列分析模型，是最经典、最系列的一类预测方法，广泛应用于各种预测中，亦是短期负荷预测的常用方法。时间序列法即是把时间序列当作随机过程来描述跟研究，其基本思想是：先假设所分析的时间序列是因某一个随机过程产生的，接着根据时间序列的原始数据建立一个描述该过程的模型，并对参数进行科学合理估计，接着运用所建立的模型，求得时间序列未来的预测值。电力负荷时间序列预测法，主要是利用历史电力负荷数据，建立合适的数学模型后来描述电力负荷这个随机变量的统计规律性，并利用其对进行未来负荷的预测，但时间序列算法往往只考虑了历史电力负荷数据，没有考虑气象条件、社会环境、经济发展等等外界因素，因此传统的时间序列法预测精度不高，并且预测出来的负荷曲线会出现滞后延时等问题。 2、回归预测法基于负荷预测的回归分析法实质是一种曲线拟合法，即对已知的历史电力负荷数据进行描点拟合，得到某一确定的曲线，并将此曲线外延到未来时刻，就可以得到未来某时刻的负荷预测值。在预测过程中，该方法利用数理统计中的回归分析法为基础来确定变量之间的相互关系。回归分析法是最小二乘法原理的发展，根据自变量的数量，可分为一元线性回归、二元线性回归和多元线性回归，另外，还有非线性回归等回归模型。但电力负荷曲线往往并非呈现简单的线性关系，一般是由若干种曲线类型叠加而成的，所以拟合曲线的时候需要大量的数据，运算时间过长，预测精度不高，但该法可用于长期负荷预测，能较好的预测负荷宏观上的发展趋势。 3、趋势外推法电力负荷的变化虽然是不确定的，但在一定条件下，负荷的变化存在着明显的趋势。利用趋势外推预测法进行电力负荷预测，是利用负荷变化时所表现出的明显趋势加以外推拓展来对未来负荷情况作出预测。趋势外推法在电力负荷预测时基于负荷的变化趋势来作出预测，但不对其中的随机成分进行统计处理。 4、人工神经网络法人工神经网络是由大量的神经元广泛互连而形成的复杂网络系统，其优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有复杂的非线性函数拟合能力和很强的学习能力，能够进行信息记忆、自主学习、知识推理和优化计算。BP 神经网络模型是一个三层人工神经网络，能够将要误差进行反向传播，可以较好的实现输入到输出间非线性映射，但在样本训练过程中，人工神经网络收敛速度缓慢、容易陷入局部极小。 5、小波分析法在进行电力系统的负荷预测时，因为电力负荷通常是以离散序列为主，我们能够分析的一般也只是负荷的离散频谱，所以可以用离散小波变换进行负荷预测。小波级数是按照子小波不同的伸缩尺度，即不同的分析频率来区别的，各个尺度上的子序列分别代表不同的“频域分量”，从而以完全解列的形式，在不同的缩放尺度上表现出负荷序列各种频率的特性。将负荷分解到不同的尺度频率之后，应该依据各个尺度上负荷波动的程度，应用不同的预测手段进行预测。另外，偶然因素会对负荷产生影响，甚至会产生大量偏离内在规律的非正常数据，而小波分析能够通过对模极大值的识别，不仅能够有效地剔除部分异常数据，还可以记录下它们，作为电力工作人员进行人工分析、干预处理的重要依据。 6、灰色预测法灰色系统理论用于处理信息不完全的灰色系统。将影响电力负荷的各种因素集合看成一个系统，则其兼具确定性和不确定性（电力负荷既具有年、月、日负荷逐年增长趋势的确定性，也有每年、月、日负荷值随机变化的不确定性），即具备了灰色系统的基本特征，故而可以利用灰色系统理论来对电力负荷进行预测。但灰色预测法一般用于中长期负荷预测。 7、模糊预测法模糊预测法是以模糊推理和模糊理论为基础的预测方法。在应用模糊预测法进行负荷预测时，同时考虑了电力负荷和诸多其他因素，将电力负荷与对应的环境作为一个数据整体进行加工处理，找出电力负荷的变化模式及其所对应环境因素的特征，然后将待预测年环境因素与历史环境因素作比较而求得负荷的预测数据，而不是只分析历史数据来直接建立负荷与其他因素的关系。 8、支撑向量机法支撑向量机(Support Vector Machines，SVM)是一类新兴的学习机器，它在模式识别和函数回归估计这两方面具有不错的工作性能，得到愈来愈多研究人员的重视[9]。支撑向量机开始主要用于线性分类，后来利用高维映射引入到非线性分类问题中，接着又引入了不敏感系数，使得支撑向量机能够用于回归曲线估计问题，并且经过多次试验，预测效果比神经网络要好，收敛速度更快，得到愈来愈多科研人员的重视。因为支撑向量机的理论基础完备，模型求解算法简单、快速，同时，它的训练等价于解决一个线性约束的二次规划问题，因此存在唯一解[14]。应用支撑向量机进行短期负荷预测时，与传统的人工神经网络类方法相似，即选取某时间范围内的历史负荷数据作为训练输入样本，选用适当的核函数训练预测数学模型，将训练得到的模型用于预测未来的电力负荷。 |
| [返回] |