CN103544544B - 一种能源消耗预测方法及装置 - Google Patents

Abstract

本发明提供一种能源消耗预测方法及装置，包括：利用历史能耗序列数据构建训练样本集，其中，所述历史能耗序列数据按照时间序列排列；通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗。本发明提供的源消耗预测方法和能源消耗预测装置，通过基于支持向量机SVM的回归算法SVR对数据进行预测，针对历史数据，合理的构建训练样本集，使得支持向量机模型根据有限的样本信息在模型的复杂性和学习能力之间寻求到最佳折衷，并获得最好的推广能力，从而使得预测结果更精确。

Description

一种能源消耗预测方法及装置

技术领域

本发明涉及能源技术，尤其涉及一种能源消耗预测方法及装置。

背景技术

制造企业一般规模都比较大，消耗电能多，连续生产的机器设备也较多，所以对供电的可靠性和电能质量要求都比较高。并且由于企业的负荷会严重影响地区电网的负荷，现今的供电部门都会要求大型用电企业提供自己的电力负荷预报，还会严格考核预报的准确性。其中，电力负荷预报可由企业通过研究电力需求预测。企业预测电力需求可以合理安排生产计划，降低用能成本，同时也可保证电网安全地运行。

目前，企业一般通过BP神经网络预测方法和线性回归法预测电力需求，预测效果差。

发明内容

为解决上述问题，本发明提供一种能源消耗预测方法，使得对能源消耗预测的结果更精确。具体技术方案如下：

一种能源消耗预测方法，包括：利用历史能耗序列数据构建训练样本集，其中，所述历史能耗序列数据按照时间序列排列；

通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗。

一种能源消耗预测装置，包括：

训练样本集构建单元，用于利用历史能耗序列数据构建训练样本集；

能源消耗预测单元，用于根据所述训练样本集构建单元构建的训练样本集预测能源消耗。

本发明提供的源消耗预测方法和能源消耗预测装置，通过基于支持向量机SVM的回归算法SVR对数据进行预测，针对历史数据，合理的构建训练样本集，使得支持向量机模型根据有限的样本信息在模型的复杂性和学习能力之间寻求到最佳折衷，并获得最好的推广能力，从而使得预测结果更精确。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例提供的一种能源消耗预测方法的流程图；

图2是发明实施例提供的能源消耗预测方法中基于SVR的能耗预测模型流程图；

图3是本发明实施例提供的能源消耗预测方法中平均学习误差走向图；

图4是本发明实施例提供的能源消耗预测方法中通过基于支持向量机SVM的回归算法SVR进行学习预测的曲线图；

图5是本发明实施例提供的能源消耗预测方法中通过BP神经网络预测算法的学习与预测效果图；

图6是本发明实施例提供的能源消耗预测方法中通过BP线性回归预测算法的学习与预测效果图；

图7是本发明实施例提供的一种能源消耗预测装置结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

实施例一

如图1所示，本发明实施例提供的能源消耗预测方法包括：

步骤101，利用历史能耗序列数据构建训练样本集，其中，所述历史能耗序列数据按照时间序列排列；

步骤102，通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗。

支持向量机，即Support Vector Machine，简称SVM，是由V.Vapnik等人在90年代提出的一种机器学习算法，也是一种模式分类技术，其理论基础是统计学习理论，SVR即support vector regression，是建立在SVM思想上的回归算法。不同于最小化经验训练误差的传统方法，如：神经网络学习算法和最小二乘法等等，支持向量机使用结构风险最小化原则，即通过最大化分类超平面与训练数据之间的距离来最大限度地降低泛化误差，这也使得其对小样本数据同样有着良好的泛化能力。

支持向量机对数据的预测方法是根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以求获得最好的推广能力，应用基于支持向量机SVM的回归算法SVR对数据进行预测的方法流程如图2所示，通过构建输入与输出、样本数据预处理、选择SVR模型参数、训练SVR模型、判断性能是否满足要求、得到最终的SVR模型，即：

$f\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x,x_i)+b;$

利用SVR模型实现能耗预测。所以，基于支持向量机对企业能源消耗数据进行预测的重点在于构建SVR模型的训练样本集，本发明针对企业能源消耗的具体情况构建训练样本集，使得预测结果更精确、进一步缩小预测结果的误差。

例如，利用历史能耗序列数据构建训练样本集，包括：

用

{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}

构建：

$X=\left[\begin{array}{cccc}{x}_{t-n-m+1}& x_{t-n-m+2}& ...& x_{t-n}\\ x_{t-n-m+2}& x_{t-n-m+3}& ...& x_{t-n+1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{t-m}& x_{t-m+1}& ...& x_{t-1}\end{array}\right]=\left[\begin{array}{c}{x}_1\\ x_2\\ .\\ .\\ .\\ x_n\end{array}\right]$

$Y=\left[\begin{array}{c}{x}_{t-n+1}\\ x_{t-n+2}\\ .\\ .\\ .\\ x_t\end{array}\right]=\left[\begin{array}{c}{y}_1\\ y_2\\ .\\ .\\ .\\ y_n\end{array}\right]$

其中，{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}为历史能耗序列，n为训练样本数量，m为每个样本对的输入阶数，t为能耗时间序列数据的最后时间点；

X为构建而成的训练样本集的输入矩阵，Y为对应所述输入矩阵的训练样本集的输出向量。

例如，从已有的能源消耗数据库中获取多个以时间段为单位的能源消耗数据，组成历史能耗序列，使用该序列构建训练样本的X与Y。

在进行实验时，首先需要确定模型的输入阶数m。对于输入阶数m，并不存在通用的理论去确定其数值，只是通过分析知道，阶数太小不能正确反映规律，而阶数太大会导致学习过于复杂并且不一定能取得好的效果，所以，一般的做法是通过实验去寻找相对较佳的输入阶数，例如取m>0的整数依次对历史数据进行试验，将得到的预测数据与真实历史数据进行对比，取误差较小时m的值作为预测未来数据的输入阶数。

示例性的，样本数量为n的训练集中的时间序列样本点数量可为n+m。

通过对输入矩阵X和输出向量Y的分析可知，构建一个样本数为n的训练集，需要n+m个时间序列样本点。

示例性的，通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗，可包括：通过以下公式对所述训练样本集进行样本数据预处理：

归一化公式：

$x_i=\frac{x_i-min\left(X\right)}{max\left(X\right)-min\left(X\right)};$

反归一化公式：

x_i＝(max(X)-min(X))·x_i+min(X)

其中，x_i为第i个输入样本的值。

此步骤是对输入与输出数据进行归一化处理，加快算法的收敛速度与提高模型的预测精度。

示例性的，通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗，可包括：通过以下公式使用所述训练样本集对SVR模型进行性能评价：

$E=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({\hat{y}}_i-y_i)}^2$

$R^2=\frac{{(n\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i{y}_i-\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i\underset{i=1}{\overset{n}{\Σ}}{y}_i)}^2}{(n\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i\right)}^2)(n\underset{i=1}{\overset{n}{\Σ}}{y}_i^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{y}_i\right)}^2)}$

其中，E为评价指标中的均方误差，R²为评价指标中的相关系数，表示第i个样本的预测值，y_i表示第i个样本的真实值，n为测试样本个数；

当E→0和R²→1时，表示所述SVR模型的性能符合要求。

此步骤是使用训练集来对得到的回归函数f(x)进行性能评价，主要使用两个评价指标，即均方误差E和相关系数R²。

示例性的，当所述SVR模型的性能不符合要求时，所述方法还可包括：

重新选择SVR模型参数，并重新训练SVR模型。

此步骤是对SVR模型进行评价后，如果E和R²的值不能满足要求，即导致误差较大时，则重新选择SVR模型参数，并重新训练SVR模型。其中SVR参数包括：回归函数f(x)中的高斯径向基核函数的参数σ、惩罚因子C和精度参数ε。

实施例二

本实施例以实际数据为例对能源消耗预测方法做进一步详细说明。

本实施例中，能源消耗预测方法具体包括：

从某制造企业的能源数据库中选取其2011.1－2012.12每月的总电耗数据为测试数据，结合软件MATLAB，实现基于支持向量机的能源需求预测实验。数据如表1所示。

表1

在进行实验时，首先需要确定模型的输入阶数。不过，并不存在通用的理论去确定阶数，只是通过分析知道，阶数太少不能正确反映规律，而阶数太多会导致学习过于复杂并且不一定能取得好的效果，所以，一般的做法是通过实验去寻找相对较佳的输入阶数，不同输入阶数情况下的平均学习误差如图3所示。

经过分析和反复实验，最终确定输入的阶数为3，总共有24个数据点，那么可以构建21个样本对(输入与输出)，输入样本集为：{x(2011.1),x(2011.2),x(2011.3)}，{x(2011.2),x(2011.3),x(2011.4)}，{x(2011.3),x(2011.4),x(2011.5)}，……，{x(2012.10),x(2012.11),x(2012.12)}；

对应的输出样本集为：{x(2011.4),x(2011.5),x(2011.6),...,x(2012,11),x(2012,12)}。为了对SVR预测算法进行性能评价，选取25％，即后面的5个样本组成测试样本集，前面的16个样本组成训练样本集。

选用高斯RBF核函数，即Radial Basis Function径向基函数作为SVR模型的核函数，利用交叉验证方法，得到参数C＝4，σ＝0.35，设定精度ε＝0.01。其学习预测曲线如图4所示。

通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗。其能源需求预测详细数据如表2所示：

表2

从表2中可知，基于支持向量机的能耗预测算法的训练效果较好，几乎没有误差，使用训练好的模型实现预测，其效果也很明显，其短期预测的相对误差都在可接受的范围内。

为了对比基于支持向量机的能耗预测算法的性能，将采用本发明提供的方法进行预测得到的结果与应用较多的BP神经网络预测方法和线性回归法进行预测得到的结果进行对比。使用相同的样本集，BP神经网络预测算法的学习与预测效果如图5所示。

应用BP神经网络方法进行预测，其能源需求预测的详细数据如表3所示。

表3

应用BP线性回归方法进行预测，学习与预测效果如图6所示，其能源需求预测的详细数据如表4所示。

表4

将上述三种方法的预测结果列表进行对比，如表5所示，从各项指标的对比中发现，支持向量机预测法的预测效果最好，这也直接证明了，对于小样本数据的学习，支持向量机有着明显的优势。

表5

实施例三

如图7所示，本发明实施例提供的能源消耗预测装置可用于实现图1所示的方法，包括：

训练样本集构建单元701，用于利用历史能耗序列数据构建训练样本集；

能源消耗预测单元702，用于根据训练样本集构建单元701构建的训练样本集预测能源消耗。

例如，由数学软件作为驱动的硬件设备，除上述两种单元外，还可以具备数据计算单元、存储单元、显示单元等。

示例性的，所述训练样本集构建单元701具体用于：

用

{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}

构建：

$X=\left[\begin{array}{cccc}{x}_{t-n-m+1}& x_{t-n-m+2}& ...& x_{t-n}\\ x_{t-n-m+2}& x_{t-n-m+3}& ...& x_{t-n+1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{t-m}& x_{t-m+1}& ...& x_{t-1}\end{array}\right]=\left[\begin{array}{c}{x}_1\\ x_2\\ .\\ .\\ .\\ x_n\end{array}\right]$

$Y=\left[\begin{array}{c}{x}_{t-n+1}\\ x_{t-n+2}\\ .\\ .\\ .\\ x_t\end{array}\right]=\left[\begin{array}{c}{y}_1\\ y_2\\ .\\ .\\ .\\ y_n\end{array}\right]$

其中，{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}为历史能耗序列，n为训练样本数量，m为每个样本对的输入阶数，t为能耗时间序列数据的最后时间点；

X为构建而成的训练样本集的输入矩阵，Y为对应所述输入矩阵的训练样本集的输出向量。

示例性的，所述训练样本集构建单元701具体用于构建样本数量为n、时间序列样本点数量为n+m的训练样本集。

示例性的，所述能源消耗预测单元702包括：

样本数据预处理子单元，用于通过以下公式对所述训练样本集进行样本数据预处理：

归一化公式：

$x_i=\frac{x_i-min\left(X\right)}{max\left(X\right)-min\left(X\right)};$

反归一化公式：

x_i＝(max(X)-min(X))·x_i+min(X)

其中，x_i为第i个输入样本的值。

示例性的，所述能源消耗预测单元702包括：

性能评价子单元，用于通过以下公式使用所述训练样本集对SVR模型进行性能评价：

$E=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({\hat{y}}_i-y_i)}^2$

$R^2=\frac{{(n\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i{y}_i-\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i\underset{i=1}{\overset{n}{\Σ}}{y}_i)}^2}{(n\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{\hat{y}}_i\right)}^2)(n\underset{i=1}{\overset{n}{\Σ}}{y}_i^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{y}_i\right)}^2)}$

其中，E为评价指标中的均方误差，R²为评价指标中的相关系数，表示第i个样本的预测值，y_i表示第i个样本的真实值，n为测试样本个数；

当E→0和R²→1时，表示所述SVR模型的性能符合要求。

示例性的，所述能源消耗预测单元702可包括：

SVR模型参数选择子单元，用于当所述SVR模型的性能不符合要求时，重新选择SVR模型参数；

SVR模型训练子单元，用于当所述SVR模型的性能不符合要求时，重新训练SVR模型。

上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种能源消耗预测方法，其特征在于，包括：利用历史能耗序列数据构建训练样本集，其中，所述历史能耗序列数据按照时间序列排列；

通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗；

其中，通过基于支持向量机SVM的回归算法SVR，根据构建的训练样本集预测能源消耗，包括：通过以下公式对所述训练样本集进行样本数据预处理：

归一化公式：

反归一化公式：

x_i＝(max(X)-min(X))·x_i+min(X)

其中，x_i为第i个输入样本的值；

通过以下公式使用所述训练样本集对SVR模型进行性能评价：

其中，E为评价指标中的均方误差，R²为评价指标中的相关系数，表示第i个样本的预测值，y_i表示第i个样本的真实值，n为测试样本个数，

当E→0和R²→1时，表示所述SVR模型的性能符合要求。

2.根据权利要求1所述的方法，其特征在于，利用历史能耗序列数据构建训练样本集，包括：

用

{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}

构建：

其中，{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}为历史能耗序列，n为训练样本数量，m为每个样本对的输入阶数，t为能耗时间序列数据的最后时间点；

X为构建而成的训练样本集的输入矩阵，Y为对应所述输入矩阵的训练样本集的输出向量。

3.根据权利要求2所述的方法，其特征在于，样本数量为n的训练集中的时间序列样本点数量为n+m。

4.根据权利要求1所述的方法，其特征在于，当所述SVR模型的性能不符合要求时，所述方法还包括：

重新选择SVR模型参数，并重新训练SVR模型。

5.一种能源消耗预测装置，其特征在于，包括：

训练样本集构建单元，用于利用历史能耗序列数据构建训练样本集；

能源消耗预测单元，用于根据所述训练样本集构建单元构建的训练样本集预测能源消耗；

其中，所述能源消耗预测单元包括样本数据预处理子单元和性能评价子单 元；

样本数据预处理子单元，用于通过以下公式对所述训练样本集进行样本数据预处理：

归一化公式：

反归一化公式：

x_i＝(max(X)-min(X))·x_i+min(X)

其中，x_i为第i个输入样本的值；

性能评价子单元，用于通过以下公式使用所述训练样本集对SVR模型进行性能评价：

其中，E为评价指标中的均方误差，R²为评价指标中的相关系数，表示第i个样本的预测值，yi表示第i个样本的真实值，n为测试样本个数；

当E→0和R²→1时，表示所述SVR模型的性能符合要求。

6.根据权利要求5所述的装置，其特征在于，所述训练样本集构建单元具体用于：

用

{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}

构建：

其中，{x_t-n-m+1,x_t-n-m+2,x_t-n-m+3,...,x_t-1,x_t}为历史能耗序列，n为训练样本数量，m为每个样本对的输入阶数，t为能耗时间序列数据的最后时间点；

X为构建而成的训练样本集的输入矩阵，Y为对应所述输入矩阵的训练样本集的输出向量。

7.根据权利要求6所述的装置，其特征在于，所述训练样本集构建单元具体用于构建样本数量为n、时间序列样本点数量为n+m的训练样本集。

8.根据权利要求5所述的装置，其特征在于，所述能源消耗预测单元包括：

SVR模型参数选择子单元，用于当所述SVR模型的性能不符合要求时，重新选择SVR模型参数；

SVR模型训练子单元，用于当所述SVR模型的性能不符合要求时，重新训练SVR模型。