基于OpenCV的电力负荷预测

【摘 要】针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型.通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度.

【关 键 词】电力负荷；OpenCV；支持向量机

Abstract：Accordingtomanyinfluencingfactorsofpowerloadforecasting,traditionalpredictionaccuracycannotrealizehigh,thispaperanalysistheinfluencefactorsofpowerloadforecasting.Apredictionmodelofpowerloadbasedonsupportvectormachine（SVM）wasestablished.ThesimulationresultsonOpenCVshowthatthehigheraccuracyandfastertrainingspeedofelectricpowerloadforecasting.

KeyWords：PowerLoad；OpenCV；SupportVectorMachine（SVM）

电力负荷的准确性是实现现代控制的重要步骤,是电力系统研究的重要组成部分.准确率高的电力负荷预测,可以合理分配机组,减少浪费,提高社会经济发展,同时也成为了电力公司权衡电价的标准之一.

近年来,运用各种方法进行电力负荷预测的研究很多,譬如,神经网络法[1]、回归分析法[2]、小波分析预测法[3]等.

支持向量机[4]是由Vapnik于1995年首先提出,在许多领域都得到了很好的应用,是一种理想的机器学习方法.本文引入支持向量机,对澳大利亚首都悉尼在近年来的电力负荷进行预测,相比BP神经网络和决策树算法,OpenCV仿真结果,表明本文对电力负荷具有较高的预测精度和较快的训练速度.

一、支持向量机模型[4]

训练样本集（xi,yi）（作为输入变量,作为变量的模型输出值）,通过从输入空间到输出空间的函数映射,可以将样本数据x映射至一个更高维的特征空间F当中,并在F中用下面的估计函数来进行线性回归：

,（1）

b代表阈值.事实上,该类逼近问题等价于下面所述函数：

（2）

作为目标函数；s代表样本数量；C代表错误惩罚因子；代表调整常数；反映了在高维空间上的复杂性.经过转换得到以下函数：

（3）

经验风险函数为：

（4）

,,

C代表权重参数,用于平衡训练误差项和模型复杂项；和代表松弛因子；代表不敏感损失函数.该问题可转化为以下对偶问题：

（5）

,,

求解上述最优化问题,可得到SVM回归函数：

（6）

二、电力负荷预测因素分析

电力负荷变化影响因素较多,具有随机性和周期性.同时,也受到天气变化、节检测日等影响,又让电力负荷异常变化.因此,电力负荷预测仍然是一个研究难题,可见单纯以历史负荷数据为样本的预测是远远不够的.

针对一个实际的时间序列,它的准确预测也不仅仅取决于历史样本数据,而是受许多突发情况的影响.

因此,本文的电力负荷预测,除了考虑历史样本数据,还将考虑影响样本数据的天气情况,包括干球温度、湿球温度、露点温度、节检测日等因素.

三、仿真实验

PC机配置环境如下：CPU为IntelCorei7-36003.40GHz,内存4GB,操作系统64位Windows7旗舰版,仿真软件VS2010+OpenCV.

本文借助澳大利亚首都悉尼从2006年1月1日至2010年12月31日每隔一小时的相关电力负荷数据,通过OpenCV进行仿真实验.

图1NN在2006年的预测误差结果

由图1与图3可以看出本文算法在2006年的预测误差远远低于NN的预测误差,图3中误差最大也低于300,而图1显示误差最大接近4000；由图2与图4也可以看出本文算法在2007年的预测误差远低于NN的预测结果,也表明了本文算法在电力负荷预测中的优势.

图2NN在2007年的预测误差结果

图3本文算法在2006年的预测误差结果

图4本文算法在2007年的预测误差结果

本文分别运用神经网络（NN）与基于OpenCV的支持向量机对各个时间范围段的数据进行训练学习,分别从平均绝对误差值（MAE）和平均绝对百分误差值（MAPE）两个方面来比较.预测结果如表1所示,无论从MAE,还是MAPE,本文算法在各个时间段范围内都比NN低,这说明了本文算法在电力负荷预测方面的优越性.

四、结语

本文借助澳大利亚首都悉尼的相关电力负荷数据,提出一种基于OpenCV的支持向量机电力负荷预测方法.分析电力负荷预测的影响因素,通过OpenCV仿真实验,相比经典神经网络等算法,表明本文算法具有更高的预测精度.