基于智能配电网环境的负荷预测分析

（国网汉中供电公司，陕西省汉中市，723000） 魏 山

1 智能配电网环境下的负荷特性

当前通信技术与控制技术发展较为迅速，技术水平较为先进，智能电网本身具备安全性、兼容性、全面性、系统性等一系列优势。智能电网内部主要是由智能输电网、智能配电网两部分组成，其中智能配电网本身承担着提供电能的功能，同时在可再生能源接入时，还承担着缓解电网内部负荷平衡的问题。在当前电力系统的规划、调度工作中，精准的负荷预测工作十分重要，这也是电力系统正常运作的基础，因此，必须要保证短期负荷预测的精准度。在智能配电网环境下，负荷的特点如下所示：①可以精准预测电网实际负荷，并与自身实际情况结合，做到合理安排用电；②可以对电力系统内部发电机组的启动和控制进行合理控制，实现发电容量的合理调度，以此降低成本、减少浪费的现象；③可以随时预测电网负荷变化情况，以此实现掌控电力市场，合理定价的目的。

2 短期负荷预测的要求及步骤

2.1 短期负荷的要求

短期负荷通常以负荷过往的数据为基础，建立专门的数学模型，使其能全面展现出负荷的变化规律，并精准预测未来某个时刻的负荷。因此，在实际预测过程中，应当综合考虑各类因素，例如：负荷水平、天气等因素影响，都需要考虑在内。由此可见，需要考虑以下几点：①历史数据是否合理；②预测手段是否先进；③所建立的数学模型是否考虑到地域特点、预测日期、天气状况，以此使实际所构建的预测模型能将负荷发展趋势充分反应出来；④预测模型本身是否适用，需要综合考虑未来预测量本身的发展以及相应变化。对于不同的预测模型，需要考虑预测效果，再选择合适的参数。

2.2 短期负荷预测的步骤

短期负荷通常以负荷过往的数据为基础，建立专门的数学模型，使其能全面展现出负荷的发展变化规律，测出最精准的结果。

2.3 预测模型的评价指标

预测误差通常是指负荷预测值和实际的负荷值二者之间的偏差，负荷预测准确率也就是预测值和实际值二者之间的比值。通常来看，准确率高低与预测值准确度呈现出正比关系，准确度越高，预测值与实际值越接近，因此，需要重视预测误差的分析。通常有以下几种指标对其预测模型好坏进行评价。

（1）绝对误差

（2）相对误差

（3）平均绝对误差

（4）平均相对误差

（5）均方误差

（6）均方根误差

（7）标准误差

在这其中，不同参数代表含义如下：参数yi、、n、m 对应的参数解释分别为：第i 点的实际负荷、第i 点的预测负荷、历史负荷数据的个数、自由度，主要是指自变量和因变量个数的总和。

在进行实际的测量中，对于评价指标的选取，通常会选取如下指标：绝对误差（AE）、相对误差（RE）、平均绝对误差（MAE）。

2.4 样本的选择

对于预测对象历史数据选择，需要注意应当基于以下原则：①对于其中的预测样本集、训练样本集需要选定在同一个季节，主要是为了尽可能忽略季节变化对于负荷本身的影响。这样就可以充分利用负荷水平等相关因素本身的规律性，以此进行短期负荷预测。其中的训练样本集需要选择特征相同的数据输入到模型中，主要是为了能有效提高预测的精准度；②需要对预测对象输入模型历史数据进行仔细挑选，具体到日期、类型等，尽可能提高预测模型的精确度；③在对负荷预测模型进行监测时，需要充分考虑负荷自身特点、天气因素等方面的作用和影响，其中日期类型也包含休息日、工作日等。

3 人工鱼群优化PSO-LSSVM 的短期负荷预测研究

3.1 最小二乘支持向量机(LSSVM)模型

3.1.1 回归原理

LSSVM算法是SVM的一种改进算法，其回归函数如下所示：

在这其中，b 为片质量，ω 为权向量，φ(x)为非线性映射。

在此条件下，LSSVM的优化问题可以转化为以下公式：

在这其中，ei是误差，e∈Rl×1是误差向量

引入Lagrange 乘子的λ，λ∈Rl×1可以将公式（2）转化成为：

由KKT条件可以得到：

消除其中的ω和e，可以得到公式（5）的解：

在上述公式中，λ=[λ1，λ2…,λl]T为l×1维列向量，其中Y=[y1,y2…，yl]T，在这其中，I作为单位矩阵 ，K作为核函数，K(xi,xj)=φ(xi)Tφ(xj).

因此，LSSVM的预测模型为：

在这其中，K(xi,xj)为核函数。

3.1.2 基本流程

在使用LSSVM算法建立负荷预测模型时，需要注意的一点就是，必须先确定标准化核参数σ和正则化参数C，主要是由于其中的标准化核函数的参数σ可以定义非线性映射函数φ（x）的基本结构，也可以将LSSVM 参数自身相关性充分反映出来。在对其进行实际应用期间可以明显发现，如果其中的σ过大，那么其中的LSSVM 就会欠缺对应的训练。相反，σ如果比较小，那么就很容易形成过度训练，以此产生对应的局部优化，发挥出局部优化的效果。若发现参数C本身的值太大，那么可以说明，其中对于偏差的惩罚也比较大，因此，所满足的点也相对较多，而且很容易形成过度学习的问题；相反，若C值太小，那么也就可以从侧面表示，对偏差惩罚相对较小，那么如果曲线过回归到平坦状态，这样就容易出现欠缺学习的问题。

对于短期负荷预测输入的样本集，具体如下所示：①对于预测日之前的一天，且同一个预测点的负荷；②预测前一日的日期类型值；③预测日期本身的温度、湿度、平均温度湿度等；④预测日前两天的，同一个预测点的负荷，还有预测过程中的天气状况，例如：天气是晴、多云等。其中需要注意，输出值作为该预测日当天某一时刻的复合值。

根据以上论述可以明显看出，LSSVM算法建立短期负荷预测模型的具体步骤，具体如下：①可以大量收集关于负荷的相关历史数据，并且还需要仔细、精准分辨所使用到的历史数据，并对其进行相应的预处理；②需要以经过进行预处理的历史数据为基础，建立系统的训练样本集，用于对之前的数据进行归一化处理；③应通过查阅文献等方式，了解过往经验，对LSSVM预测模型的最佳参数C和σ进行确定，并建立与之相对应的目标函数；④求解之前的目标函数，也就是需要对预测日当天复合值进行有效预测。

3.2 混沌优化PSO-LSSVM模型的建立

混沌理论的数学定义提出较早，在上世纪70年代就有所提出，具体定义如下所示：

假设连续自映射f：I→I⊂R，I是R的子区间。若存在不可数集合S⊂I满足以下条件：

（1）S不包含对应的周期点。

（2）任何x1,x2∈S(x1≠x2)，有

这里的f t(.)=f(f(…f(.)))表示t 重函数的关系。

（3）任何x1∈S以及f的任意周期点p∈I，x1≠p

那么f在S上是混沌的。

混沌现象是当前大自然中一种特有的运动现象，运动毫无规律、很难进行预测，具有一定的不确定性，也具有一定的不可重复性。混沌优化算法主要是利用载波的方式，将所选择的混沌变量线性映射到需要进行优化的变量空间，同时将其进行转换，使其能到优化变量的定义域，再使用全局遍历性对其进行搜索，在对其进行实际优化时，混沌算法与其他传统搜索方法明显不同，主要是使用二次载波搜索的方法对问题进行优化。

3.3 人工鱼群优化PSO-LSSVM的短期负荷预测模型

人工鱼群算法又称为AFSA，是一种群体智能算法，模仿了大自然界中鱼群觅食的行为，因此叫人工鱼群算法。具体步骤如下所示：①自然界中鱼群可以通过鱼群的气息进行跟随，因此，可以对该行为进行模拟；②当自然界一条鱼找到食物，其他鱼就会聚集在一起分享食物，这可以通过人工鱼群的聚集行为对其进行模拟仿真。

PSO-LSSVM 的短期负荷预测模型中的参数C和σ作为所优化的问题，因此，优化的目标函数如下所示：

在该公式中，yij作为第j天的第i点的实际负荷值，其中为预测值，N作为测试样本，M=24，也就是指，大约每小时预测一次。

在确定所优化的目标函数后，需要转化其本身所存在的关键性问题，并将其进行转化，转化成为相应的约束条件，具体为C∈[0,200]，σ∈[0.1,50]的情况下，对目标函数优化问题进行求解。

4 算例分析

为了有效验证人工鱼群优化PSO-LSSVM 短期负荷预测模型的有效性，选取西北某省的电力系统2021 年4 月5 日到5 月5 日的负荷数据作为进行样本数据训练的网络模型，选取5月6日的负荷数据，将其作为测试数据，主要是用来对算法预测精度进行检测。在这其中，粒子数m=20，visual=3.5，step=1.5，crowd=0.618，其中粒子参数c1=2，c2=2，tmax=10，因此使用人工鱼群优化PSOLSSVM 算法预测对2021 年5 月6 日一天24 小时每一个小时负荷进行预测。其中利用预测日每时间段的实际负荷值与LSSVM 算法、人工鱼群优化PSO-LSSVM 算法和混沌优化PSO-LSSVM 算法的短期预测结果如图1所示。

图1 短期负荷预测曲线

综上，当C=12.5,σ=3.4时，对于预测精准度，人工鱼群优化PSO-LSSVM为0.435%，混沌优化PSO-LSSVM 算法为0.81%，可以看出，前者的预测精度明显更高。由此可见，人工鱼群优化PSOLSSVM的短期负荷预测算法具有更高的实用价值。

5 结语

在当前智能配电网的环境下，需要做好短期负荷预测的工作，这对于发电部门制定发电计划、购电计划、机组维修计划方面都有着重要作用，能为其提供重要理论参考依据，目前在电力调度部门中，已经成为日常重要工作。本文详细介绍了LSSVM 模型，该模型精准度明显更高，但是对于短期负荷预测模型参数选择方面，仍然具有一定的盲目性，这些都需要依赖于之前的经验和不断测试进行测量，针对这一问题，提出行之有效的解决办法，也可以看出，人工鱼群优化PSO-LSSVM 的短期负荷预测算法具有更高的实用价值。