王明霞 李晉 劉偉

摘 要 現(xiàn)代電力系統(tǒng)中，通過預(yù)測電力日負(fù)荷，有效的調(diào)整自我運(yùn)行，可以指導(dǎo)電網(wǎng)調(diào)度，提升電力運(yùn)行整體的安全性。通過新算法的提出，使得電力日負(fù)荷更加準(zhǔn)確，主要便是基于FAPSO與SVM兩種算法的融合，提出對應(yīng)的計算模型，通過FAPSO的最優(yōu)數(shù)值尋找能力，便于SVM尋找最優(yōu)因子。因此，文中首先介紹了兩種計算方法，并且就兩種方法融合后提出了新的模型，望帶來借鑒。

【關(guān)鍵詞】電力日負(fù)荷預(yù)測 FAPSO與SVM 融合算法模型

在電網(wǎng)供電的日常管理中，通過現(xiàn)代計算方法預(yù)測電力系統(tǒng)的短時間負(fù)荷，使得電力供應(yīng)的管理調(diào)整與優(yōu)化更加富有依據(jù)。因此，在現(xiàn)階段供電系統(tǒng)的管理熱點(diǎn)中，很大一部分便是需要了解電力日負(fù)荷，并且針對其做出精準(zhǔn)預(yù)測。伴隨著的時代的進(jìn)步，各種計算方法也逐漸日趨統(tǒng)一，通過筆者的個人工作經(jīng)驗(yàn)，將FAPSO計算方法與SVM算法融合，進(jìn)而形成了一種新的計算方法，并且通過該計算方法建立模型，通過模型的工作預(yù)測電力日負(fù)荷，以某市日負(fù)荷為例，做出精確分析。

1 FAPSO計算方法

FAPSO計算方法屬于一種快速計算方法，進(jìn)而真正的落實(shí)到計算中，初始段需要比較大規(guī)模的搜索，并且由于整體搜索量過大，會帶來比較嚴(yán)重的慣性權(quán)重，而且相近的粒子也會存在差別較大的適應(yīng)性；一旦當(dāng)粒子可以選取在最優(yōu)范圍內(nèi)，便可以開展后續(xù)的精細(xì)搜索，而且不同的情況也會帶來不同的處理方法。當(dāng)涉及到電力的日負(fù)荷預(yù)測時，便應(yīng)該通過調(diào)整慣性權(quán)重的數(shù)值，使得粒子的自身適應(yīng)性達(dá)到最強(qiáng)。具體的相鄰迭代過程之中，粒子的適應(yīng)性變化勢必會引發(fā)能量的變化，并且對應(yīng)的能量變化公式應(yīng)該為：

Q=Oy（x+1）-O1（x）

在公式中，Oy（x+1）代表了粒子的具體數(shù)目為y，然后于x+1次迭代中出現(xiàn)了適應(yīng)情況，并且x代表了具體的適應(yīng)值。實(shí)際的日負(fù)荷計算中，調(diào)整能量變化值，然后其與慣性權(quán)重呈現(xiàn)了函數(shù)關(guān)系，進(jìn)而表現(xiàn)了具體的額算數(shù)關(guān)系，使得FAPSO計算方法更為全面，而且適應(yīng)性更強(qiáng)，進(jìn)而滿足了日負(fù)荷預(yù)測的要求。

2 SVM算法

SVM算法又被稱為向量機(jī)回歸算法，通常首先確定自身的樣本集合，將具體的兩列數(shù)據(jù)分屬于各類樣本特征，并且根據(jù)具體的計算方法將樣本數(shù)入，并且在具體的集合中尋找最優(yōu)值。在SVM算法中，同樣需要慣性權(quán)重的作用，并且需要在具體的表達(dá)式中體現(xiàn)對應(yīng)的高維映射，進(jìn)而通過計算得到自身的懲罰因子以及正規(guī)化部分，真正的將所有計算參數(shù)規(guī)定完成，方可以開展SVM算法，其中主要便是通過損失函數(shù)、懲罰因子以及松弛變量，便可以支持向量機(jī)回歸算法，而具體的表現(xiàn)為其對應(yīng)的上下限。在本文的模型構(gòu)建中，采用的是高斯模式，確定對應(yīng)拉格朗日因子，得到最后的計算公式。SVM計算方法中主要包含了兩點(diǎn)的主要思想：其一便是分析了線性可分情況；其二便是一旦線性不可分，便可以使得其輸入低維空間的空間線性樣本向高維特種空間轉(zhuǎn)化，最后完成線性可分，使得任何狀況下線性條件都處于可分狀態(tài)。其通過不同的核心函數(shù)計算，也會存在自身的不同表達(dá)形式。將SVM計算方法簡化，便是其便是升維和線性化，也就是將低維空間的向上空間做映射，不過此種方法在實(shí)際計算中很少有人應(yīng)用。但是一旦利用比較巧妙，便可以解決很多饞鬼中無法解決的問題。其改善了線性模型的，而且計算仍然比較簡便，避免了可能發(fā)生的“維數(shù)災(zāi)難”，使得其應(yīng)用領(lǐng)域更加廣闊。

3 基于FAPSO的SVM模型建立

3.1 算法基礎(chǔ)

在傳統(tǒng)的SVM計算方法中，其自身的各類重要參數(shù)主要便是核函數(shù)、損失函數(shù)以及懲罰因子。通過三項(xiàng)參數(shù)的確定，使得SVM整體模型更加精確。三項(xiàng)參數(shù)都表達(dá)了具體的模型復(fù)雜程度，在傳統(tǒng)中，確定三項(xiàng)參數(shù)使得模型建設(shè)工作比較困難，進(jìn)而在模型建設(shè)中利用FAPSO的最優(yōu)粒子尋找能力，降低SVM算法中模型尋找的能力，進(jìn)而真正的優(yōu)化模型建設(shè)過程。在電力日負(fù)荷預(yù)測中，在筆者的模型建設(shè)過程中，將某市的全日用電數(shù)據(jù)作為樣本輸入到SVM模型中，進(jìn)而將SVM的三項(xiàng)重要參數(shù)作為FAPSO的例子，通過其尋找最優(yōu)向量，然后建立預(yù)測回歸模型，最后得到FSPSO-SVM模型。實(shí)現(xiàn)模型中，具體的運(yùn)算過程為：首先初始化兩方面參數(shù)，主要的便是FAPSO計算方法的各項(xiàng)參數(shù)，通過將各項(xiàng)參數(shù)得到確定，例如將迭代次數(shù)設(shè)置成為1000次；其次便是確定適應(yīng)度的計算函數(shù)，通常會提出具體的計算函數(shù)表達(dá)式，將初始化其中所包含的各類數(shù)值都包含在內(nèi)，并且通過計算方法得出粒子的適應(yīng)值，根據(jù)對應(yīng)的適應(yīng)值推出局部最優(yōu)解；然后便是挑選過程，主要便是在局部數(shù)值中間挑出最優(yōu)數(shù)值，然后根據(jù)慣性權(quán)重的計算來推導(dǎo)下一顆粒子；最后便是判斷最優(yōu)解是否為有效結(jié)果，如果不是則繼續(xù)測算。當(dāng)最優(yōu)解得到后，便可以根據(jù)最優(yōu)解建立相應(yīng)的模型，模型中只要的運(yùn)算邏輯便是依靠SVM計算方法開展計算的，并且通過模型的運(yùn)算，可以使得整點(diǎn)負(fù)荷都成為數(shù)值的表達(dá)形式，進(jìn)而根據(jù)實(shí)際情況采取一些局部糾正。

3.2 分析結(jié)果

在探討電力日負(fù)荷預(yù)測中，根據(jù)某市的一日負(fù)荷作為樣本數(shù)據(jù)，城市的具體日期選擇完全按照隨機(jī)模式選取，當(dāng)樣本數(shù)據(jù)輸入后，便可以根據(jù)算法來開展預(yù)測，并且通過FAPSO來尋找最優(yōu)參數(shù)，進(jìn)而可以開展預(yù)測。通過的預(yù)測結(jié)果的分析與論證，可以發(fā)現(xiàn)通過兩種計算方法的結(jié)合，使得傳統(tǒng)的計算方法得到了有效提升，并且真正的做到了優(yōu)化，預(yù)測的結(jié)果也更加準(zhǔn)確。

4 總結(jié)

總之，F(xiàn)APSO算法比較適合SVM，通過其優(yōu)秀的尋找能力幫助SVM快速定位，提升了自身的優(yōu)化選擇性能，進(jìn)而使得兩種算法更為有機(jī)的結(jié)合在一起。當(dāng)結(jié)合后，文中將此種算法作為模型構(gòu)建基礎(chǔ)，使得電力日負(fù)荷預(yù)測更加準(zhǔn)確。文中見解尚顯淺薄，望做到拋磚引玉，引起有識之士的思考。

參考文獻(xiàn)

[1]趙堃，李曉婷，張昊.基于FAPSO與SVM融合算法的電力日負(fù)荷預(yù)測[J].華北電力技術(shù)，2015（9）：45-48.

[2]虞尚智.機(jī)器學(xué)習(xí)算法在短期電力負(fù)荷預(yù)測中的應(yīng)用[J].科學(xué)技術(shù)與工程，2013， 13（8）：2231-2234.

[3]楊再鶴，向鐵元，鄭丹.基于小波變換和SVM算法的微電網(wǎng)短期負(fù)荷預(yù)測研究[J].現(xiàn)代電力，2014，31（3）：74-79.

作者單位

周口師范學(xué)院 河南省周口市 466000