改進拉子群舞法的電力負荷預測模望,電力論文

改進拉子群舞法的電力負荷預測模望,電力論文本篇論文目錄導航：【】【】改良拉子群舞法的電力負荷預測模望【】【】【】電力負荷預測論文：改良拉子群舞法的電力負荷預測模望內(nèi)容摘要：采用粒子群算法構建電力系統(tǒng)負荷模型，并利用支持向量機模型對電網(wǎng)負荷進行優(yōu)化處理，以徑向基函數(shù)作為支持向量機的核函數(shù)，以電力負荷作為輸入量，建立基于改良粒子群優(yōu)化算法的電力負荷預測模型。以居民小區(qū)為基本單位進行用電信息采集，采用改良粒子群算法對用電情況進行驗證分析，并將改良粒子群電力負荷預測模型與支持向量機預測模型進行比擬。結果表示清楚：建立的基于改良粒子群優(yōu)化算法電力負荷預測模型具備更高層次的預測精度與更好的適用性。本文關鍵詞語:電力負荷;粒子群算法優(yōu)化;建模;模型訓練;0引言隨著社會和經(jīng)濟的飛速發(fā)展，能源需求量也在逐年遞增，電力負荷的預測對于系統(tǒng)規(guī)劃和合理運營電力資源有著重要的指導意義。隨著對電力負荷預測技術研究的不斷深切進入，電力行業(yè)的各專家、學者針對不同的應用場景提出了相應的電力負荷預測方式方法。唐瑋提出的基于GRA-LSSVM的配電網(wǎng)空間負荷預測方式方法中提出了一種基于最小二乘法支持向量機的新型配電網(wǎng)空間負荷密度的預測算法，這種采用混沌粒子群算法對參數(shù)進行優(yōu)化選擇，固然提高了算法空間的負荷密度預測精度，但是此算法需要多個不同類型空間樣本，且預測精度受本身參數(shù)影響較大[3];唐宏通過引進螢火蟲算法，對SVR參數(shù)進行優(yōu)化處理，然后利用優(yōu)化SVR算法進行短時電力負荷預測[4];范海虹在螢火蟲算法的基礎上提出卡帕測度，構建預測模型函數(shù)，對短期電力負荷進行預測，螢火蟲算法只能進行短期預測，且應用場景單一，泛化性能較低[5]。為了提高電力預測的穩(wěn)定性、適用性及便于推廣性，本文在粒子群算法的基礎上對引入的支持向量機模型參數(shù)進行訓練，獲得最優(yōu)解，構建靈敏穩(wěn)定的電力負荷預測模型。1支持向量機原理支持向量機的概念最早是由CorinnaCortes和Vapnik于1995年為解決小樣本、非線性函數(shù)擬合問題而提出的，支持向量機理論完善且計算簡單，又兼具較好的魯棒性等，可為形式辨別提供較好的泛化性能。本文引入SVM的數(shù)據(jù)學習能力，對電力負荷進行預測分析。引進兩個未知變量：x、y,華而不實，變量x為輸入樣本值，變量y為輸出樣本值。數(shù)據(jù)樣本幾何表示為(xi、yi),華而不實，輸入樣本集xi∈Rn,輸出樣本集yi∈R,R取實數(shù)域，i=1,2,…,n(n→+∞)。利用非線性映射關系完成樣本數(shù)據(jù)x從低位空間到高位空間的轉換，完成轉換后，利用SVM的回歸理論解決高維度空間的回歸問題?？蓪︻A測模型進行建模處理，表示出式為：華而不實，ω??為權重；?(x)為低維度空間到高維度空間的非線性映射函數(shù)關系；b為偏置項，通常取值為某一常數(shù)。對優(yōu)化后的目的函數(shù)作求取極值處理，如式(2)所示：其邊界條件為：華而不實，G為懲罰因子，決定了預測模型函數(shù)的精準度和復雜程度；δ為損失函數(shù)，與預測模型函數(shù)的泛化程度相關；λi、λ*i為松弛因子。引入拉格朗日乘子向量解決高維度空間的規(guī)劃問題：華而不實，i、j為整數(shù)，取值為1,2,…,m。ai、bi均為拉格朗日乘數(shù)因子，xi,j、yi對應輸入、輸出量。利用核函數(shù)K(xi,xj)=?(xi)?(xj)能夠完成對非線性樣本數(shù)據(jù)從低維度到高維度的轉換。考慮到泛化性能，本文選用適用性更好的徑向基核函數(shù)K(xi,xj)=exp(?∥x?xi∥2)2g2,代入預測模型函數(shù)，得到SVM的決策函數(shù)表示出式為：核函數(shù)確定后，還需要尋找出懲罰因子G及對應的核函數(shù)模型g,通過引進一種改良的粒子群算法來對SVM的參數(shù)G、g進行訓練優(yōu)化。2粒子群優(yōu)化算法2.1粒子群優(yōu)化算法原理粒子群優(yōu)化算法由美國學者Eberhart和Kennedy于20世紀90年代共同提出的，其原理是通過模擬鳥群覓食行為而產(chǎn)生的群體協(xié)作，且具有群集智能的多主體優(yōu)化隨機搜索算法，詳細描繪敘述如下所示[6,7]:華而不實，xid為對應第i個粒子在d維空間的坐標值，vid為對應第i個粒子在d維空間的速率；pid對應第i個粒子在全局范圍內(nèi)搜索到的實時最優(yōu)位置，pgd對應第i個粒子在全局范圍內(nèi)搜索到的種群最優(yōu)坐標；ω為粒子群算法的慣性權重因子，對算法的尋優(yōu)能力有著顯著影響，ω在其定義域區(qū)間從最大值到最小值衰減取值，此取值方式方法可保障粒子杜絕早熟收斂的情況出現(xiàn)；c1、c2為學習因子，為了保證收斂速度和搜索效果平衡，根據(jù)經(jīng)歷體驗可定義取值范圍為c1,c2∈[1.85,2.25];r1、r2為互相獨立的隨機函數(shù)，取值范圍為r1,r2∈[0,1]。PSO算法在實際運用經(jīng)過中可分為7步，邏輯時序圖如此圖1所示。圖1PSO算法流程圖2.2改良粒子群優(yōu)化算法原理慣性權重因子ω具有影響算法尋優(yōu)能力的作用，即當ω取值偏小時，全局搜索能力也隨之減小，此時會出現(xiàn)搜索范圍廣度不夠的情況，極有可能引導算法構成局部最優(yōu)解；當ω取值較大時，收斂能力隨之變差，導致算法無法構成最優(yōu)解而陷入無限尋優(yōu)計算的死循環(huán)中。為解決參數(shù)ω的功能局限性問題，特根據(jù)需要引入自適應慣性權重法[8,9,10]。該方式方法可根據(jù)實現(xiàn)應用場景，自行調整ω迭代時的變化速率，以提高尋優(yōu)概率，公式表示如下：華而不實，fi為第i個粒子的當下迭代適應度值。PSO算法在全局范圍內(nèi)搜索尋優(yōu)經(jīng)過中，隨著時間的推移搜索速率會逐步減慢，當碰到局部最優(yōu)解便會停止搜索。此時，算法便會陷入局部極值問題，為了解決算法由于在最初時搜索速度過快而引起粒子搜索不均勻問題，引入粒距概念來解決此問題，粒距定義如下：華而不實，D(t)為粒子間距，是粒子分散程度的直觀具體表現(xiàn)出，D(t)的數(shù)值越大，表示粒子分散成俗越高；n為空間維度；pid表示第i個粒子在第d維度的數(shù)值；p?d為全局范圍內(nèi)的所有粒子在d維度范圍內(nèi)的均值。根據(jù)實際的應用場景對某一重點局部搜索的性能進行改良，用以避免在局部搜索時出現(xiàn)早熟收斂，造成出現(xiàn)局部最優(yōu)解的情況。通過預先設定一個合理的初始閾值h,并與粒距進行迭代比擬，若比擬得出粒距D(t)大于所選閾值，則無需對粒距做任何處理；若D(t)小于所選閾值，則對種群進行高斯變異處理，在[0.1,0.3]范圍內(nèi)，選擇粒子，粒子變異前后須保證粒子的基礎信息保持一致。3基于改良PSO-SVM負荷預測模型本文以徑向基函數(shù)作為支持向量機的核函數(shù)，以電力負荷作為輸入量。通過改良的PSO-SVM的算法對參數(shù)進行優(yōu)化詳細流程如下。1)種群初始化。初始化各項參數(shù)：種群大小m取值為15,慣性權重的最大值ωmax取值為1.2、最小值ωmin取值為0.4,學習因子c1、c2取值為2.05,根據(jù)經(jīng)歷體驗預設變異值h取值9.8,變異概率pm取值為0.31。2)完粒子適度值計算。3)更新全局范圍內(nèi)的最優(yōu)解pg及歷史最優(yōu)解pb,比擬最優(yōu)解與歷史最優(yōu)解，選取更優(yōu)者作為當下值。4)通過自適應模型計算出自適應慣性權重，完成當下慣性權重的更新，并更新粒子的速度和位置以獲取新的種群X(t)。5)變異判定。將粒距與設定的閾值比擬，判定能否需要變異操作，若需要則執(zhí)行高斯變異，確定粒子選擇概率pm;若不需要變異操作則直接執(zhí)行下一步驟。6)判定能否知足尋優(yōu)條件，若知足則結束尋優(yōu)經(jīng)過，否則回轉執(zhí)行步驟2)。7)獲得優(yōu)化好的核函數(shù)參數(shù)g和懲罰因子G。4案例分析為了驗證基于改良粒子群算法優(yōu)化的電力負荷預測方式方法的性能，本文選擇某地居民小區(qū)為基本單位進行用電信息采集，對用電情況進行驗證分析。在數(shù)據(jù)采集經(jīng)過中，應該充分考慮各個性能參數(shù)：人口密度、人均年收入、預期年收入增長情況及人均年用電預測負荷等。本文收集10個小區(qū)的樣本數(shù)據(jù)以及每個小區(qū)近3年的用電信息作為負荷預測的輸入樣本，樣本數(shù)據(jù)如表1所示，代入基于改良PSO-SVM負荷預測模型，并獲得輸出數(shù)值。表1用電樣本信息本文通過均方根誤差eRMSE和平均絕對百分比誤差eMAPE兩個參數(shù)作為電力負荷預測的評價指標。通過SVM模型與PSO-SVM模型進行比擬，選用eRMSE和eMAPE兩個參數(shù)作為電力負荷預測的評價指標，代入表1數(shù)據(jù)，經(jīng)分析得出表2所示的誤差指標。表2電力預測誤差指標根據(jù)電力預測誤差指標比照分析，改良的預測PSO-SVM模型的均方根誤差及絕對百分比誤差相對較小，準確率明顯高于SVM和未改良的PSO-SVM模型。5結束語本文通過深切進入分析支持向量機及粒子群算法的基本原理及應用的優(yōu)缺點，提出了通過引入粒子距高斯變異對PSO-SVM算法進行改良。改良后的算法不僅提升了模型的預測精度，而且還有著快速收斂的特點，對后期深切進入研究電力負荷預測具有重要的參考意義。以下為參考文獻[1]蘇振宇，龍勇,趙麗艷基于regARIMA模型的月度負荷測試效果研究[J].中國電力,2021,51(5):167-171.[2]吳瀟雨，和敬涵,張沛,等.基于灰色投影改良隨機森林算法的電力系統(tǒng)短期符合預測[J].電力系統(tǒng)自動化,2021(12):50-55.[3]唐瑋，鐘士元，舒嬌，等.基于GRA-LSSVM的配電網(wǎng)空間負荷預測方式方法研究[J].電力系統(tǒng)保衛(wèi)與控制,2021.46(24):82-88.[4]唐宏,馮平,陳鏡伯，等螢火蟲算法優(yōu)化SVR參數(shù)在短期電力負荷預測中的應用[J].西華大學學報(自然科學版),2021,36(1):35-38.[5]范海虹基于螢火蟲算法的短期電力負荷預測方式方法研究[J].中國電力，2021,54(3):141-148.[6]紀震,廖惠連，吳青華.粒子群算法及應用[M].北京:科學出版社，2018.[7]黃洋,魯海燕，許海波,等.一種動態(tài)調整慣性權重的簡化均值粒子群優(yōu)化算法[J]小型微型計算機