CN103606013A - 一种基于支持向量机的用户年度用电量预测方法 - Google Patents
一种基于支持向量机的用户年度用电量预测方法 Download PDFInfo
- Publication number
- CN103606013A CN103606013A CN201310474142.7A CN201310474142A CN103606013A CN 103606013 A CN103606013 A CN 103606013A CN 201310474142 A CN201310474142 A CN 201310474142A CN 103606013 A CN103606013 A CN 103606013A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- user
- vector
- data
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明提供一种基于支持向量机的用户年度用电量预测方法,包括如下步骤:1)将历史年度用电量数据样本输入向量xi={e1,e2,…,en-1}输入LS-SVM学习机进行训练,输出向量为预测值,其中差分向量ej的计算为:ej=zi+j-zi,式中zi为时间序列第i个数据,j=1,2,…,n,n为时间窗长度;以及2)将时间窗移动到时间序列末端,提取窗内历史数据并差分预处理后构成输入向量xN,输入到LS-SVM得到模型预测响应其表示未来年份用户用电量的增加量,为未来年份用户用电量的预测值,即时间序列在N+n位置上的预测值
Description
技术领域
本发明涉及一种基于支持向量机的用户年度用电量预测方法。
背景技术
由于用户年度用电量预测对电源开发、电网建设、社会安定、居民生活及电力公司本身的发展都有很大的影响,因此世界各地的电力部门都十分重视电力需求预测工作,设置专门的机构,由经济分析、用电量预测、负荷预测等方面的专业人员来从事电力需求预测工作,由于起步较早,各自开发出一种或几种适合于本国经济运行特点的需电量预测方式,而且几种方式可以相互效验。预测的方法有:部门分析法进行预测,计量模型法,最终需求法,弹性系数法,类比法,积累法,计量经济模型方法,还有比较复杂的经济模型法如灰色模型法、模糊数学模型法和神经网络法等。但是实际上用户年度用电量具有时间序列性,上述各种方法显得难以准确预测用户的年度用电量需求。
发明内容
本发明涉及一种基于支持向量机的用户年度用电量预测方法,包括如下步骤:
1)将历史年度用电量数据样本输入向量xi={e1,e2,…,en-1}输入LS-SVM学习机进行训练,输出向量为预测值,其中差分向量ej的计算为:ej=zi+j-zi,式中zi为时间序列第i个数据,j=1,2,…,n,n为时间窗长度,通过时间序列的数据预处理,将历史年度用电量历史数据转换为差分数据ej,其现实含义表示在时间窗内(n年内)用电量的递增变化规律;以及
2)将时间窗移动到时间序列末端,提取窗内历史数据并差分预处理后构成输入向量xN,输入到LS-SVM得到模型预测响应其表示未来年份用户用电量的增加量,为未来年份用户用电量的预测值,即时间序列在N+n位置上的预测值
本发明的方法基于支持向量机预测用户的年度用电量,取得了很好的社会效益和经济效益。
附图说明
图1为用户年度用电量预测时间窗滚动示意图。
图2(a)为LS-SVM年度用电量预测模型的学习训练。
图2(b)为LS-SVM年度用电量的预测模型。
图3为用户1的仿真预测结果。
图4为用户1的仿真预测偏差。
图5为用户2的仿真预测结果。
图6为用户2的仿真预测偏差。
具体实施方式
针对用户年度用电量,本发明中提出了一种基于支持向量机的预测方法。用户年度用电量预测时间窗滚动示意图如图1所示,假设当前时间窗的位置为i,则采集到用户年度用电量训练样本的输入向量xi为区间内数据Zi□Zi+n-1,样本输出yi=Zi+n,继续移动时间窗可生成下一训练样本(xi+1,yi+1)。如此,将时间窗从时间序列起始位置向后移动直至序列最后一个元素,便可生成训练样本集。
通过对用户年度用电量序列历史数据的对比研究,可以发现该数据具有明显的时间序列性。然而,对于用户年度用电量预测的实际问题,由于实际中各用户用电量逐年递增,未来年份的用电量也不会出现在历史数据中。因此,在对未来年份用电量进行精确预测时不可能从历史数据中找出相似样本,只能根据潜在规律进行外推。根据用户年用电量的实际特点,本发明建立了一种基于最小二乘支持向量机(LS-SVM)方法的用户年度用电量预测模型,图2给出了利用LS-SVM进行用户年度用电量预测的示意过程,包括图2(a)所示的学习训练和图2(b)所示的实际预测两个过程。
图2表明,LS-SVM学习机训练的样本输入向量xi={e1,e2,…,en-1},输出向量为预测值,其中差分向量ej的计算为:ej=zi+j-zi,式中zi为时间序列第i个数据,j=1,2,…,n,n为时间窗长度。通过时间序列的数据预处理后,原始的年度用电量历史数据被转换为差分数据ej,其现实含义表达时间窗内(n年内)用电量的递增变化规律。同时将时间窗移动到时间序列末端,提取窗内历史数据并差分预处理后构成输入向量xN,,输入到LS-SVM可得到模型预测响应其表示未来年份用户用电量的增加量,为未来年份用户用电量的预测值,即时间序列在N+n位置上的预测值由于LS-SVM具有很好的学习能力和泛化能力,采用的LS-SVM方法可以根据用电量样本数据学习训练得到精确的预测模型,从而实现了用户年度用电量的精确预估。
为了验证本方法的预测准确度,这里将其应用于典型用户年度用电量的预测。首先,根据用户的历史数据建立支持向量机学习训练样本数据。其后,用训练后的支持向量机来预测用户年度用电量。这里选取了2个典型用户的数据来进行仿真分析。用户1的预测仿真结果如图3所示,本发明的方法比常规的灰色预测方法具有更好的准确度,并且如图4所示,可以看出预测偏差小于3%,可以满足实际工程应用要求。
用户2的预测仿真结果如图5所示,本发明的方法比常规的灰色预测方法仍然具有更好的准确度,并且如图6所示,预测偏差小于3%,可满足实际工程应用要求。
虽然已经关于具体实施例描述了本发明,但是本发明不是意在对其进行限制。相关技术领域的技术人员很容易作出修改、改进和变形,意在将所有的这些修改、改进和变形包含在本发明的权利要求的范围内。
Claims (1)
1.一种基于支持向量机的用户年度用电量预测方法,包括如下步骤:
1)将历史年度用电量数据样本输入向量xi={e1,e2,…,en-1}输入LS-SVM学习机进行训练,输出向量为预测值,其中差分向量ej的计算为:ej=zi+j-zi,式中zi为时间序列第i个数据,j=1,2,…,n,n为时间窗长度,通过时间序列的数据预处理,将历史年度用电量历史数据转换为差分数据ej,其现实含义表示在时间窗内(n年内)用电量的递增变化规律;以及
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310474142.7A CN103606013A (zh) | 2013-12-06 | 2013-12-06 | 一种基于支持向量机的用户年度用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310474142.7A CN103606013A (zh) | 2013-12-06 | 2013-12-06 | 一种基于支持向量机的用户年度用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103606013A true CN103606013A (zh) | 2014-02-26 |
Family
ID=50124233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310474142.7A Pending CN103606013A (zh) | 2013-12-06 | 2013-12-06 | 一种基于支持向量机的用户年度用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103606013A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108959004A (zh) * | 2018-06-28 | 2018-12-07 | 郑州云海信息技术有限公司 | 磁盘故障预测方法、装置、设备及计算机可读存储介质 |
CN109948820A (zh) * | 2017-12-20 | 2019-06-28 | 新智数字科技有限公司 | 用户用能的优化方法及装置 |
CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN111144662A (zh) * | 2019-12-31 | 2020-05-12 | 贵州电网有限责任公司 | 一种面向配电设备运维的配网负荷推算与预测方法 |
CN113902193A (zh) * | 2021-10-11 | 2022-01-07 | 江苏电力交易中心有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
CN117040135A (zh) * | 2023-09-20 | 2023-11-10 | 北京国电通网络技术有限公司 | 电力设备供电方法、装置、电子设备和计算机可读介质 |
CN113902193B (zh) * | 2021-10-11 | 2024-05-10 | 国网江苏省电力有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202838402U (zh) * | 2012-10-18 | 2013-03-27 | 安徽工程大学 | 一种短期电力负荷预测系统 |
CN103218675A (zh) * | 2013-05-06 | 2013-07-24 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
-
2013
- 2013-12-06 CN CN201310474142.7A patent/CN103606013A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202838402U (zh) * | 2012-10-18 | 2013-03-27 | 安徽工程大学 | 一种短期电力负荷预测系统 |
CN103218675A (zh) * | 2013-05-06 | 2013-07-24 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
王晓红 等: "一种基于最小二乘支持向量机的年电力需求预测方法", 《继电器》, vol. 34, no. 16, 16 August 2006 (2006-08-16), pages 2 - 2 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
CN105894111B (zh) * | 2016-03-30 | 2020-02-04 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
CN109948820A (zh) * | 2017-12-20 | 2019-06-28 | 新智数字科技有限公司 | 用户用能的优化方法及装置 |
CN108564204B (zh) * | 2018-03-23 | 2022-01-07 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108959004A (zh) * | 2018-06-28 | 2018-12-07 | 郑州云海信息技术有限公司 | 磁盘故障预测方法、装置、设备及计算机可读存储介质 |
CN108959004B (zh) * | 2018-06-28 | 2022-02-18 | 郑州云海信息技术有限公司 | 磁盘故障预测方法、装置、设备及计算机可读存储介质 |
CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN110232483B (zh) * | 2019-06-18 | 2021-05-04 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN111144662A (zh) * | 2019-12-31 | 2020-05-12 | 贵州电网有限责任公司 | 一种面向配电设备运维的配网负荷推算与预测方法 |
CN113902193A (zh) * | 2021-10-11 | 2022-01-07 | 江苏电力交易中心有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
CN113902193B (zh) * | 2021-10-11 | 2024-05-10 | 国网江苏省电力有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
CN117040135A (zh) * | 2023-09-20 | 2023-11-10 | 北京国电通网络技术有限公司 | 电力设备供电方法、装置、电子设备和计算机可读介质 |
CN117040135B (zh) * | 2023-09-20 | 2024-01-12 | 北京国电通网络技术有限公司 | 电力设备供电方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103606013A (zh) | 一种基于支持向量机的用户年度用电量预测方法 | |
Wang et al. | China’s natural gas production and consumption analysis based on the multicycle Hubbert model and rolling Grey model | |
Lee et al. | Forecasting nonlinear time series of energy consumption using a hybrid dynamic model | |
Xie et al. | Forecasting China’s energy demand and self-sufficiency rate by grey forecasting model and Markov model | |
Jain et al. | Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy | |
Zhou et al. | Generalized GM (1, 1) model and its application in forecasting of fuel production | |
Yan et al. | Reviews on uncertainty analysis of wind power forecasting | |
Zhao et al. | Forecasting the non-renewable energy consumption by an adjacent accumulation grey model | |
Xiong et al. | Optimal modeling and forecasting of the energy consumption and production in China | |
Pi et al. | A grey prediction approach to forecasting energy demand in China | |
Kim et al. | LSTM based short-term electricity consumption forecast with daily load profile sequences | |
Wang et al. | Analysis of conservation voltage reduction effects based on multistage SVR and stochastic process | |
Truong et al. | An accurate signal estimator using a novel smart adaptive grey model SAGM (1, 1) | |
CN103226736B (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
CN103530701B (zh) | 一种基于季节指数法的用户月用电量预测方法和系统 | |
CN105447594A (zh) | 一种基于指数平滑的电力系统灰色负荷预测方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN110570041A (zh) | 一种基于ap聚类的远景年典型日负荷预测方法 | |
CN102930353B (zh) | 一种小区用电负荷的预测方法及装置 | |
CN103942430B (zh) | 一种基于组合模型的建筑物沉降预测方法 | |
Berk et al. | Forecasting the coal production: Hubbert curve application on Turkey's lignite fields | |
Xie et al. | Forecasting energy consumption in China following instigation of an energy-saving policy | |
CN104993966A (zh) | 一种电力综合业务网流量预测方法 | |
Ye et al. | A nonlinear interactive grey multivariable model based on dynamic compensation for forecasting the economy-energy-environment system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140226 |