CN106951982A - 基于svm算法的输变电设备的有功功率预测方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于SVM算法的输变电设备有功功率预测方法及转置，方法包括：获得第一特征向量，第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据，第一预设数量的第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；将第一特征向量输入至预先构建的目标支持向量机SVM模型，获得目标输变电设备在下一时刻的有功功率预测值，下一时刻与第一目标时刻具有预设时间间隔，第一目标时刻为：第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻。应用本发明实施例，能够对输变电设备的有功功率进行预测，并降低预测成本。

Description

基于SVM算法的输变电设备的有功功率预测方法及装置

技术领域

本发明涉及电力技术领域，特别是涉及基于SVM算法的输变电设备的有功功率预测方法及装置。

背景技术

目前，电网已经能够为用户提供持续、稳定的电能，满足了用户生产和生活中的用电需求。但是，由于电网中的输变电设备(例如变压器)的有功功率能够反映该输变电设备的电能使用情况，并且输变电设备的电能使用情况又会对电网的安全与经济运行产生重要影响，因此人们迫切想要对输变电设备的有功功率进行预测。

而在目前，常常需要技术人员根据经验，对输变电设备的有功功率进行预测。该种预测方式，需要技术人员具有较丰富的经验，这样才能获得较准确的预测结果。也就是说，该种预测方式对技术人员的专业水平要求非常高，从而使得预测成本非常的高。

发明内容

本发明实施例的目的在于提供基于SVM算法的输变电设备的有功功率预测方法及装置，以降低对输变电设备进行有功功率预测的预测成本。

第一方面，本发明实施例提供了一种基于SVM算法的输变电设备有功功率预测方法，所述方法可以包括：

获得第一特征向量，其中，所述第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据，所述第一预设数量的第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；

将所述第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值，其中，所述下一时刻与第一目标时刻具有预设时间间隔，所述第一目标时刻为：所述第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻；

其中，所述目标SVM模型是基于预设的支持向量机SVM算法，对至少一个训练样本进行训练所得的；所述训练样本包括：第二特征向量，以及所述第二特征向量对应的真实有功功率数据；所述第二特征向量中的元素包括：所述第一预设数量的第二历史有功功率数据，所述第一预设数量的第二历史有功功率数据为：所述目标输变电设备对应的历史有功功率数据中满足所述预设条件的数据；所述真实有功功率数据为所述历史有功功率数据中参考时刻所对应的数据；所述参考时刻与第二目标时刻的差值为所述预设时间间隔；所述第二目标时刻为：所述第一预设数量的第二历史有功功率数据对应的时刻中最接近当前时刻的时刻。

可选地，构建所述目标SVM模型的步骤可以包括：

基于所述目标输变电设备所对应的历史有功功率数据，构建所述至少一个训练样本；

基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型。

可选地，所述基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型的步骤，可以包括：

基于预设的L种SVM算法，分别对所述至少一个训练样本进行训练，获得L种SVM模型，其中，所述L种SVM算法所对应的核函数不相同，所述L＞1；

针对每种SVM模型，将第二预设数量的第二特征向量输入至该种SVM模型，获得该种SVM模型所输出的针对所输入的各个第二特征向量的有功功率预测值；

针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度；

将预测准确度最高的SVM模型确定为目标SVM模型。

可选地，针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度的步骤，可以包括：

确定输入至该种SVM模型的所述第二预设数量的第二特征向量所对应的真实有功功率数据；

基于所述第二预设数量的第二特征向量所对应的真实有功功率数据，以及将所述第二预设数量的第二特征向量输入至该种SVM模型后所获得的有功功率预测值，计算该种SVM模型对应的平均相对误差和均方相对误差；

基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度；

其中，该种SVM模型对应的平均相对误差的计算公式为：

其中，该种SVM模型对应的均方相对误差的计算公式为：

其中，所述e_MRE表示该种SVM模型对应的平均相对误差；所述e_RMSE表示该种SVM模型对应的均方相对误差；所述N表示所述第二预设数量对应的数值；所述L(i)表示输入至该种SVM模型的第二特征向量i所对应的真实有功功率数据；所述L`(i)表示所述第二特征向量i输入至该种SVM模型后所输出的有功功率预测值。

可选地，所述基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度的步骤，可以包括：

针对每个输入至该种SVM模型的第二特征向量，确定相应的真实有功功率数据与该第二特征向量对应的有功功率预测值的误差百分比，判断所述误差百分比是否小于第一预设阈值，若是，确定该第二特征向量对应有功功率预测值合格；

确定所述第二预设数量的第二特征向量中，预测结果为合格的第二特征向量的数量占所述第二预设数量的比例，获得合格率；

基于所述平均相对误差和均方相对误差，以及所述合格率，确定该种SVM模型的预测准确度；

其中，计算所述误差百分比的计算公式为：

其中，所述e表示所述误差百分比。

可选地，在获得所述目标SVM模型后，所述方法还可以包括：

基于网格搜索算法，对所述目标SVM模型中核函数参数进行优化，获得优化后的目标SVM模型，其中，所述网格搜索算法是基于spark并行计算框架执行的。

可选地，所述第二特征向量还可以包括：与所述参考时刻最接近的气象温度数据；所述第一预设数量的第二历史有功功率数据可以包括：第一数据、第二数据和第一目标数据组；其中，所述第一数据对应的时刻与所述参考时刻间隔第一预设时间间隔；所述第二数据对应的时刻与所述参考时刻间隔第二预设时间间隔，所述第一预设时间间隔大于所述第二预设时间间隔；所述第一目标数据组中在时间上相邻的两个第二历史有功功率数据间隔所述预设时间间隔，所述第一目标数据组中包括所述第二目标时刻所对应的第二历史有功功率数据，所述第二预设时间间隔大于所述预设时间间隔；

相应地，所述第一特征向量还可以包括：与所述下一时刻最接近的气象温度数据；所述第一预设数量的第一历史有功功率数据可以包括：第三数据、第四数据和第二目标数据组；其中，所述第三数据对应的时刻与所述待预测时刻间隔所述第一预设时间间隔；所述第四数据对应的时刻与所述待预测时刻间隔所述第二预设时间间隔；所述第二目标数据组中在时间上相邻的两个第一历史有功功率数据间隔所述预设时间间隔，所述第二目标数据组中包括所述第一目标时刻所对应的第一历史有功功率数据。

可选地，所述基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型的步骤，可以包括：

按照预设处理方式，对所述至少一个训练样本中的各个元素进行数据清洗；

基于预设的SVM算法，对数据清洗后的至少一个训练样本进行训练，获得目标SVM模型；

相应的，在将所述第一特征向量输入至预先构建的目标支持向量机SVM模型之前，所述方法还可以包括：

按照所述预设处理方式，对所述第一特征向量中的各个元素进行数据清洗。

第二方面，本发明实施例提供了一种基于SVM算法的输变电设备有功功率预测装置，所述装置可以包括：

第一获得单元，用于获得第一特征向量，其中，所述第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据，所述第一预设数量的第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；

第二获得单元，用于将所述第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值，其中，所述下一时刻与第一目标时刻具有预设时间间隔，所述第一目标时刻为：所述第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻；

其中，所述目标SVM模型是基于预设的支持向量机SVM算法，对至少一个训练样本进行训练所得的；所述训练样本包括：第二特征向量，以及所述第二特征向量对应的真实有功功率数据；所述第二特征向量中的元素包括：所述第一预设数量的第二历史有功功率数据，所述第一预设数量的第二历史有功功率数据为：所述目标输变电设备对应的历史有功功率数据中满足所述预设条件的数据；所述真实有功功率数据为所述历史有功功率数据中参考时刻所对应的数据；所述参考时刻与第二目标时刻的差值为所述预设时间间隔；所述第二目标时刻为：所述第一预设数量的第二历史有功功率数据对应的时刻中最接近当前时刻的时刻。

可选地，本发明实施例提供的基于SVM算法的输变电设备有功功率预测装置，还可以包括：训练单元；所述训练单元可以包括：

第一训练子单元，用于基于所述目标输变电设备所对应的历史有功功率数据，构建所述至少一个训练样本；

第二训练子单元，用于基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型。

可选地，所述第二训练子单元，可以包括：

第一获得模块，用于基于预设的L种SVM算法，分别对所述至少一个训练样本进行训练，获得L种SVM模型，其中，所述L种SVM算法所对应的核函数不相同，所述L＞1；

第二获得模块，用于针对每种SVM模型，将第二预设数量的第二特征向量输入至该种SVM模型，获得该种SVM模型所输出的针对所输入的各个第二特征向量的有功功率预测值；

第一确定模块，用于针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度；

第二确定模块，用于将预测准确度最高的SVM模型确定为目标SVM模型。

可选地，所述第一确定模块可以包括：

第一确定子模块，用于针对每种SVM模型，确定输入至该种SVM模型的所述第二预设数量的第二特征向量所对应的真实有功功率数据；

第一计算子模块，用于基于所述第二预设数量的第二特征向量所对应的真实有功功率数据，以及将所述第二预设数量的第二特征向量输入至该种SVM模型后所获得的有功功率预测值，计算该种SVM模型对应的平均相对误差和均方相对误差；

第二确定子模块，用于基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度；

其中，该种SVM模型对应的平均相对误差的计算公式为：

其中，该种SVM模型对应的均方相对误差的计算公式为：

其中，所述e_MRE表示该种SVM模型对应的平均相对误差；所述e_RMSE表示该种SVM模型对应的均方相对误差；所述N表示所述第二预设数量对应的数值；所述L(i)表示输入至该种SVM模型的第二特征向量i所对应的真实有功功率数据；所述L`(i)表示所述第二特征向量i输入至该种SVM模型后所输出的有功功率预测值。

可选地，所述第二确定子模块具体用于：

针对每个输入至该种SVM模型的第二特征向量，确定相应的真实有功功率数据与该第二特征向量对应的有功功率预测值的误差百分比，判断所述误差百分比是否小于第一预设阈值，若是，确定该第二特征向量对应有功功率预测值合格；

确定所述第二预设数量的第二特征向量中，预测结果为合格的第二特征向量的数量占所述第二预设数量的比例，获得合格率；

基于所述平均相对误差和均方相对误差，以及所述合格率，确定该种SVM模型的预测准确度；

其中，计算所述误差百分比的计算公式为：

其中，所述e表示所述误差百分比。

可选地，所述装置还可以包括：优化单元；

所述优化单元，用于在通过所述训练单元获得所述目标SVM模型后，基于网格搜索算法，对所述目标SVM模型中核函数参数进行优化，获得优化后的目标SVM模型，其中，所述网格搜索算法是基于spark并行计算框架执行的。

可选地，所述第二特征向量还可以包括：与所述参考时刻最接近的气象温度数据；所述第一预设数量的第二历史有功功率数据可以包括：第一数据、第二数据和第一目标数据组；其中，所述第一数据对应的时刻与所述参考时刻间隔第一预设时间间隔；所述第二数据对应的时刻与所述参考时刻间隔第二预设时间间隔，所述第一预设时间间隔大于所述第二预设时间间隔；所述第一目标数据组中在时间上相邻的两个第二历史有功功率数据间隔所述预设时间间隔，所述第一目标数据组中包括所述第二目标时刻所对应的第二历史有功功率数据，所述第二预设时间间隔大于所述预设时间间隔；

相应地，所述第一特征向量还可以包括：与所述下一时刻最接近的气象温度数据；所述第一预设数量的第一历史有功功率数据可以包括：第三数据、第四数据和第二目标数据组；其中，所述第三数据对应的时刻与所述待预测时刻间隔所述第一预设时间间隔；所述第四数据对应的时刻与所述待预测时刻间隔所述第二预设时间间隔；所述第二目标数据组中在时间上相邻的两个第一历史有功功率数据间隔所述预设时间间隔，所述第二目标数据组中包括所述第一目标时刻所对应的第一历史有功功率数据。

可选地，所述装置还包括：清洗单元；

所述清洗单元，用于按照预设处理方式，对所述至少一个训练样本中的各个元素进行数据清洗；

所述第二训练子单元具体用于：基于预设的SVM算法，对数据清洗后的至少一个训练样本进行训练，获得目标SVM模型；

相应地，所述清洗单元，还用于在获得所述第一特征向量后，按照所述预设处理方式，对所述第一特征向量中的各个元素进行数据清洗；

所述第二获得单元具体用于：将利用所述清洗单元进行数据清洗后的第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值。

在本发明实施例中，通过预先构建的目标支持向量机SVM模型，可以对所述目标输变电设备在任意时刻的有功功率进行预测。这是由于，所述预先构建的目标SVM模型，是通过至少一个训练样本训练得到的。并且任意一个训练样本中包括第二特征向量和该第二特征向量对应的真实有功功率数据。其中，所述第二特征向量中包括第一预设数量的第二历史有功功率数据，且任意一个第二历史有功功率数据为所述目标输变电设备的历史有功功率数据中的数据，另外，所述第一预设数量的第二历史有功功率数据满足预设条件；所述真实有功功率数据为所述历史有功功率数据中，参考时刻所对应的数据，并且所述参考时刻与所述第二特征向量中最接近当前时刻的第二历史有功功率数据所对应的时刻，相隔预设时间间隔。因此，在向所述目标SVM模型输入与所述第二特征向量具有同样特点的第一特征向量后，即可预测出第一目标时刻的下一时刻的有功功率预测值，该种预测方式，降低了对技术人员的专业水平的要求，从而降低了预测成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于SVM算法的输变电设备有功功率预测方法流程图；

图2为本发明实施例提供的一种基于SVM算法的输变电设备有功功率预测方法的示意图；

图3为本发明实施例提供的一种基于SVM算法的输变电设备有功功率预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决现有技术问题，本发明实施例提供了基于SVM算法的输变电设备有功功率预测方法及装置。

下面首先对本发明实施例提供的基于SVM算法的输变电设备有功功率预测方法进行介绍。

可以理解的是，实现本发明实施例提供的基于SVM算法的输变电设备有功功率预测方法的功能软件可以为：设置于电子设备中专门的软件；也可以为：设置于电子设备中的现有软件中的功能插件，这都是合理的。其中，所述电子设备包括但并不局限于终端设备和服务器设备。

参见图1，本发明实施例提供的基于SVM算法的输变电设备有功功率预测方法可以包括如下步骤：

S101：获得第一特征向量，其中，所述第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据，所述第一预设数量的第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；

可以理解的是，当需要对所述目标输变电设备的有功功率进行预测时，首先需要从目标输变电设备对应的历史有功功率数据中，获得第一预设数量的第一历史有功功率数据，并保证所获得的第一预设数量的第一历史有功功率数据满足预设条件。之后，可以根据所获得的满足所述预设条件的第一预设数量的第一历史有功功率数据，构建第一特征向量。

举例而言，所获得的第一特征向量为x＝{b₁,b₂,b₃,b₄}，其中，b₁、b₂、b₃和b₄均属于目标输变电设备所对应的历史有功功率数据，并且当b₁、b₂、b₃和b₄是按照时间先后顺序排列时，所述b₁和b₂间隔一个小时，b₂和b₃间隔一个小时，b₃和b₄间隔一个小时。

也就是说，针对第一特征向量x＝{b₁,b₂,b₃,b₄}而言，所述第一预设数量所对应的数值为4，所述预设条件为：所述4个第一历史有功功率数据中任意两个在时间上相邻的数据的时间间隔为1小时。

还需要说明的是，为了保证预测的准确性，还需要对所获得的第一特征向量中的各个元素进行数据清洗。

下面结合以下示例对数据清洗的方式进行说明：

例如，当在获取上述4个的第一历史有功功率数据的过程中，获取得到本日12点对应的第一历史有功功率为b₁，获得本日13点对应的第一历史有功功率b₂、获得本日15点对应的第一历史有功功率b₄，但是本日14点对应的第一历史有功功率b₃缺失，也就是第一历史有功功率b₃对应的数值为0。该种情况下，为了获得较为准确的预测值，可以执行如下步骤对数据进行清洗：对b₂和b₄取平均值；将该平均值作为第一历史有功功率b₃，从而完成对缺失值的填补。

又例如，当本日14点对应的第一历史有功功率b₃并未缺失，但是b₃的数值明显高于或低于b₁、b₂和b₄，也就是b₃与b₁，b₃与b₂，以及b₃与b₄的差值的绝对值高于预设波动阈值时，为了保证预测结果的准确性，同样可以对b₂和b₄取平均值，并将该平均值替换所述第一历史有功功率b₃来实现数据清洗，当然并不局限于此。其中，所述预设波动阈值可以根据实际情况进行设定，在此不做详述。

值得说明的是，第一特征向量的形式包括但并不局限于上述示例。在另一种实现方式中，所述第一特征向量除了包括所述第一预设数量的第一历史有功功率数据外，还可以包括气象温度数据，当然并不局限于此。为了清晰布局，后续对包括气象温度数据的实现方式进行详细说明。

S102：将所述第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值，其中，所述下一时刻与第一目标时刻具有预设时间间隔，所述第一目标时刻为：所述第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻；

其中，所述目标SVM模型是基于预设的支持向量机SVM算法，对至少一个训练样本进行训练所得的；所述训练样本包括：第二特征向量，以及所述第二特征向量对应的真实有功功率数据；所述第二特征向量中的元素包括：所述第一预设数量的第二历史有功功率数据，所述第二历史有功功率数据为：所述目标输变电设备对应的历史有功功率数据中满足所述预设条件的数据；所述真实有功功率数据为所述历史有功功率数据中参考时刻所对应的数据；所述参考时刻与第二目标时刻的差值为所述预设时间间隔；所述第二目标时刻为：所述第一预设数量的第二历史有功功率数据对应的时刻中最接近当前时刻的时刻。

需要说明的是，当将所述第一特征向量输入至所述预先构建的目标SVM模型后，所述目标SVM模型即可输出与所述第一特征向量相对应的有功功率预测值。

结合上述示例进行举例，当将所述第一特征向量x＝{b₁,b₂,b₃,b₄}输入至所述目标SVM模型后，所述目标SVM模型输出有功功率预测值y，其中，所述有功功率预测值y所对应的时刻为：所述第一历史有功功率b₄所对应的时刻的下一时刻，即本日16点所对应的有功功率。也就是说，当将所获得第一特征向量输入至所述目标SVM模型后，即可获得所述目标输变电设备在下一时刻的有功功率预测值。

其中，为了清晰布局，后续对所述目标SVM模型的训练步骤进行详细说明。

在本发明实施例中，通过预先构建的目标支持向量机SVM模型，可以对所述目标输变电设备在任意时刻的有功功率进行预测。这是由于，所述预先构建的目标SVM模型，是通过至少一个训练样本训练得到的。并且任意一个训练样本中包括第二特征向量和该第二特征向量对应的真实有功功率数据。其中，所述第二特征向量中包括第一预设数量的第二历史有功功率数据，且任意一个第二历史有功功率数据为所述目标输变电设备的历史有功功率数据中的数据，另外，所述第一预设数量的第二历史有功功率数据满足预设条件；所述真实有功功率数据为所述历史有功功率数据中，参考时刻所对应的数据，并且所述参考时刻与所述第二特征向量中最接近当前时刻的第二历史有功功率数据所对应的时刻，相隔预设时间间隔。因此，在向所述目标SVM模型输入与所述第二特征向量具有同样特点的第一特征向量后，即可预测出第一目标时刻的下一时刻的有功功率预测值，该种预测方式，降低了对技术人员的专业水平的要求，从而降低了预测成本。

下面对构建所述目标SVM模型的方式进行说明。

在一种实现方式中，构建所述目标SVM模型的步骤可以包括：

基于所述目标输变电设备所对应的历史有功功率数据，构建所述至少一个训练样本；

基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型。

其中，构建任意一个训练样本的步骤的可以包括：

步骤A：获得第二特征向量，以及所述第二特征向量所对应的真实有功功率数据；

举例而言，所获得的第二特征向量可以为x₁＝{k₁,k₂,k₃,k₄}，其中，k₁、k₂、k₃和k₄均属于目标输变电设备所对应的历史有功功率数据，当k₁、k₂、k₃和k₄是按照时间先后顺序排列时，所述k₁和k₂间隔一个小时，k₂和k₃间隔一个小时，k₃和k₄间隔一个小时。并且，所述第二特征向量x₁＝{k₁,k₂,k₃,k₄}所对应的真实有功功率数据为z₁，所述真实有功功率数据z₁所对应的时间与所述k₄所对应的时间的时间间隔为一个小时。

需要说明的是，当所述第二特征向量中存在数据缺失时，可以根据上述对第一特征向量中缺失数据进行填补的方式填补数据；当所述第二特征向量中存在异常数据(例如该第二特征向量中的某个数据明显高于或低于其他数据)时，则可以根据上述对第一特征向量中异常数据进行替换的方式替换数据，在此不再进行详述。

步骤B：利用所获得的第二特征向量，以及所述真实有功功率数据，构建所述第二特征向量对应的训练样本。

可以理解的是，每执行一次步骤A和步骤B，即可获得一个训练样本，当需要获得K(K＞1)个样本时，则执行K次步骤A和步骤B。之后，便可基于预设的SVM算法，对所述K个训练样本进行训练，进而获得目标SVM模型。

需要说明的是，所述预设的SVM算法可以为：采用线性核函数的SVM算法、采用多项式核函数的SVM算法、采用径向基核函数的SVM算法，以及采用sigmoid核函数的SVM算法中的任意一种。由于上述SVM算法均属于现有算法，在此不对上述SVM算法进行具体描述。

在另一种实现方式中，为了提高训练得到的目标SVM模型的预测准确度，可以采用以下步骤获得目标SVM模型：

S1：基于预设的L种SVM算法，分别对所述至少一个训练样本进行训练，获得L种SVM模型，其中，所述L种SVM算法所对应的核函数不相同，所述L＞1；

可以理解的是，可以利用采用线性核函数的SVM算法、采用多项式核函数的SVM算法、采用径向基核函数的SVM算法，以及采用sigmoid核函数的SVM算法中的至少两种SVM算法，分别对所获得的至少一个训练样本进行训练，从而获得各种SVM算法所对应的SVM模型。

S2：针对每种SVM模型，将第二预设数量的第二特征向量输入至该种SVM模型，获得该种SVM模型所输出的针对所输入的各个第二特征向量的有功功率预测值；

假设获得两种SVM模型，那么将第二预设数量的第二特征向量输入至第一种SVM模型后，可以从所述第一种SVM模型中输出各个第二特征向量对应的有功功率预测值；同理，将所述第二预设数量的第二特征向量输入至第二种SVM模型后，可以从所述第二种SVM模型中输出各个第二特征向量对应的有功功率预测值。

需要说明的是，所述第二预设数量可以根据实际情况进行设定，在此不做限定。

S3：针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度；

综合上文描述可知，任意一个第二特征向量对应有一个真实有功功率数据；而当该第二特征向量输入至任意一种SVM模型，例如第一种SVM模型时，可以获得第一种SVM模型输出的有功功率预测值；这样，可以基于该有功功率预测值与该第二特征向量对应的真实有功功率数据，来确定第一种SVM模型的预测准确度。

S4：将预测准确度最高的SVM模型确定为目标SVM模型。

举例而言，当确定上述第一种SVM模型的预测准确度高于上述第二种SVM模型时，可以将所述第一种SVM模型确定为所述目标SVM模型。

可以理解的是，在该种实现方式中，能够获得预测准确度较高的目标SVM模型，从而可以提高对有功功率的预测准确度。

另外，针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度的一种实现方式可以为：

确定输入至该种SVM模型的所述第二预设数量的第二特征向量所对应的真实有功功率数据；

基于所述第二预设数量的第二特征向量所对应的真实有功功率数据，以及将所述第二预设数量的第二特征向量输入至该种SVM模型后所获得的有功功率预测值，计算该种SVM模型对应的平均相对误差和均方相对误差；

基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度；

其中，该种SVM模型对应的平均相对误差的计算公式为：

其中，该种SVM模型对应的均方相对误差的计算公式为：

其中，所述e_MRE表示该种SVM模型对应的平均相对误差；所述e_RMSE表示该种SVM模型对应的均方相对误差；所述N表示所述第二预设数量对应的数值；所述L(i)表示输入至该种SVM模型的第二特征向量i所对应的真实有功功率数据；所述L`(i)表示所述第二特征向量i输入至该种SVM模型后所输出的有功功率预测值。

可以理解的是，在该种实现方式中，可以计算各种SVM模型所对应的平均相对误差和均方相对误差，从而，可以利用任意一种SVM模型所对应的平均相对误差和均方相对误差，来衡量该种SVM模型的预测准确度。其中，根据平均相对误差和均方相对误差的数学定义可知：本发明实施例中的任意一个SVM模型所对应的的平均相对误差和均方相对误差的取值越小，则该SVM模型的预测准确度越高。

可选地，所述基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度的步骤，可以包括：

针对每个输入至该种SVM模型的第二特征向量，确定相应的真实有功功率数据与该第二特征向量对应的有功功率预测值的误差百分比，判断所述误差百分比是否小于第一预设阈值，若是，确定该第二特征向量对应有功功率预测值合格；

确定所述第二预设数量的第二特征向量中，预测结果为合格的第二特征向量的数量占所述第二预设数量的比例，获得合格率；

基于所述平均相对误差和均方相对误差，以及所述合格率，确定该种SVM模型的预测准确度；

其中，计算所述误差百分比的计算公式为：

其中，所述e表示所述误差百分比。

可以理解的是，在该种实现方式中，为了能够更准确的衡量各种SVM模型的预测准确度，还利用合格率这一参数来综合考察各种SVM模型的预测准确度。换句话说，就是针对每种SVM模型，利用该种SVM模型对应的平均相对误差和均方相对误差，以及合格率，来确定该种SVM模型的预测准确度。

为了进一步提高有功功率的预测准确度，在获得所述目标SVM模型后，还可以对所述目标SVM模型进行优化，优化方式可以为：

基于网格搜索算法，对所述目标SVM模型中核函数参数进行优化，获得优化后的目标SVM模型，其中，所述网格搜索算法是基于spark并行计算框架执行的。

举例而言，所述目标SVM模型是基于采用高斯核函数的SVM算法所构建得到的，为了进一步优化所述目标SVM模型，可以基于网格搜索算法，对所述高斯核函数中的参数gamma和惩罚因子C进行调整。需要说明的是，高斯核函数属于径向基核函数中的一种。

可以理解的是，所述网格搜索算法可以根据参数gamma的取值范围和惩罚因子C的取值范围，以及预先设定的搜索步长，确定至少一个参数对。并且，每确定一个参数对后，可以将该参数对代入到所述高斯核函数中，并利用该高斯核函数所对应的目标SVM模型进行有功功率预测，从而可以基于输出的有功功率预测值，确定该目标SVM模型的预测准确度。这样，可以获得各个参数对所对应目标SVM模型的预测准确度，从而，可以将预测准确度最高的目标SVM模型确定为优化后的目标SVM模型。

需要说明的是，一个参数对包括一个参数gamma值和惩罚因子C值。另外，由于高斯核函数中的参数gamma和惩罚因子C均属于现有概念，在此不对所述参数gamma和所述惩罚因子C进行详述。

还需要说明的是，由于基于网格搜索算法，对所述目标SVM模型中核函数参数进行优化。由上述优化步骤可知，优化过程中需要进行大量的计算，如果仅在一个设备中该计算，会导致优化过程较慢。因此，为了提高优化速度，也就是获得所述优化后的目标SVM模型的速度，可以基于spark并行计算框架执行所述网格搜索算法。

其中，基于spark并行计算框架执行所述网格搜索算法的步骤可以包括：

预先设定参数gamma取值范围和惩罚因子C的取值范围，并设定搜索步长；根据所述参数gamma取值范围、惩罚因子C的取值范围和所述搜索步长，确定出预设个参数对；将所述预设个参数对转换为RDD(Resilient Distributed Dataset，弹性分布式数据集)；对所述RDD进行弹性分布式分发，使得参数优化的过程得以并行进行；对RDD中的每个参数对进行调用，获得每个参数对对应的预测结果，并记录在对应的RDD中；根据每个参数对对应的预测结果，得出表现最优的参数对。

需要说明的是，RDD是spark并行计算框架中已被分区，不可变的并能够被并行操作的数据集合，并且，RDD可以高速缓存到内存中，每次对RDD数据集进行操作，操作所获得的结果都可以存放到内存中。由于spark并行计算框架属于现有技术，因此在此不做详述。

下面对所述第一特征向量和所述第二特征向量进行详细说明。

一种实现方式中，所述第二特征向量还可以包括：与所述参考时刻最接近的气象温度数据；所述第一预设数量的第二历史有功功率数据可以包括：第一数据、第二数据和第一目标数据组；其中，所述第一数据对应的时刻与所述参考时刻间隔第一预设时间间隔；所述第二数据对应的时刻与所述参考时刻间隔第二预设时间间隔，所述第一预设时间间隔大于所述第二预设时间间隔；所述第一目标数据组中在时间上相邻的两个第二历史有功功率数据间隔所述预设时间间隔，所述第一目标数据组中包括所述第二目标时刻所对应的第二历史有功功率数据，所述第二预设时间间隔大于所述预设时间间隔；

举例而言，所述第二特征向量可以为x₂＝{t₁,h₁,h₂,k₁,k₂,k₃,k₄}，该第二特征向量对应的真实有功功率数据为z₂；所述真实有功功率数据为z₂对应的时刻为参考时刻；所述t₁为与所述参考时刻最接近的气象温度数据；所述h₁为所述第一数据；所述h₂为所述第二数据；所述k₁、k₂、k₃和k₄构成所述第一目标数据组。

假设所述参考时刻具体为2017年2月21日9时，那么所述k₁、k₂、k₃和k₄可以分别是该日9时前四个时刻所对应的第二历史有功功率数据，例如所述k₄为该日8时所对应的第二历史有功功率数据，所述k₃为该日7时所对应的第二历史有功功率数据，所述k₂为该日6时所对应的第二历史有功功率数据，所述k₁为该日5时所对应的第二历史有功功率数据。所述h₁为2017年2月20日9时(即前一日该时刻)所对应的第二历史有功功率数据；所述为2017年2月14日9时(即前一周该时刻)所对应的第二历史有功功率数据；所述t₁为最接近2017年2月21日9时的气象温度数据。

需要说明的是，所述第二特征向量的形式还可以为：x₃＝{t₁,k₁,k₂,k₃,k₄}形式，或x₄＝{h₁,h₂,k₁,k₂,k₃,k₄}形式，当然并不局限于此。其中，x₃＝{t₁,k₁,k₂,k₃,k₄}中的t₁与上述t₁的物理含义相同，x₄＝{h₁,h₂,k₁,k₂,k₃,k₄}中的h₁和h₂与上述h₁、h₂的物理意义相同，在此不做赘述。

相应地，所述第一特征向量还可以包括：与所述下一时刻最接近的气象温度数据；所述第一预设数量的第一历史有功功率数据可以包括：第三数据、第四数据和第二目标数据组；其中，所述第三数据对应的时刻与所述待预测时刻间隔所述第一预设时间间隔；所述第四数据对应的时刻与所述待预测时刻间隔所述第二预设时间间隔；所述第二目标数据组中在时间上相邻的两个第一历史有功功率数据间隔所述预设时间间隔，所述第二目标数据组中包括所述第一目标时刻所对应的第一历史有功功率数据。

可以理解的是，当所述第二特征向量为x₂＝{t₁,h₁,h₂,k₁,k₂,k₃,k₄}的形式时，所述第一特征向量的形式为：x＝{t₁,h₁,h₂,b₁,b₂,b₃,b₄}；当所述第二特征向量为x₃＝{t₁,k₁,k₂,k₃,k₄}的形式时，所述第一特征向量的形式为：x＝{t₁,b₁,b₂,b₃,b₄}；当所述第二特征向量为：x₄＝{h₁,h₂,k₁,k₂,k₃,k₄}的形式时，所述第一特征向量的的形式为x＝{h₁,h₂,b₁,b₂,b₃,b₄}，当然并不局限于此。

下面结合图2对本发明实施例提供的基于SVM算法的输变电设备有功功率预测方法进行说明。

参见图2，对目标输变电设备的有功功率进行预测的预测步骤可以包括：

a：外部请求设备向预测设备的展示模块发送预测请求，所述预测请求中携带有第一特征向量；所述预测设备为能够实现对有功功率进行预测的设备；

b：展示模块在接收到所述预测请求后，向数据处理模块发送数据处理请求，以使所述数据处理模块能对所述第一特征向量进行处理；

c：所述数据处理模块在接收到所述数据处理请求后，向所述预测设备中的预测模块调用预先训练好的目标SVM模型执行预测操作，以通过目标SVM模型输出所述第一特征向量所对应的有功功率预测值；

d：在通过所述目标SVM模型执行有功功率预测后，所述预测模块向所述预测设备的展示模块发送所计算得到的有功功率预测值；

e：所述预测设备中的日志监控模块在监控到所述展示模块展示所述有功功率预测值后，记录此时的监控日志；

f：所述展示模块向所述外部请求设备发送所述有功功率预测值。

另外，训练所述目标SVM模型的步骤可以包括：

g：所述数据处理模块向所述预测设备中的SVM模型训练模块，发送至少一个训练样本，以使得所述SVM模型训练模块对所述至少一个训练样本进行训练，获得SVM模型；

h：所述SVM模型训练模块训练得到SVM模型后，调用所述预测设备中的基于spark的并行优化模块对所述SVM模型进行优化；

i：所述基于spark的并行优化模块，对所述SVM模型进行优化并获得最优的核函数参数后，向所述SVM模型训练模块返回所述最优的核函数参数；

j：所述SVM模型训练模块基于所述最优的核函数参数，对所述SVM模型进行优化，获得目标SVM模型。

需要说明的是，所述日志监控模块还会负责记录所述预测设备中各个模块的监控日志；所述预测模块在预测过程中也会调用所述基于spark的并行优化模块对所述目标SVM模型进行优化，这都是合理的。

综上，本发明实施例能够对输变电设备的有功功率进行预测，并降低预测成本。

相应于上述方法实施例，本发明实施例提供了一种基于SVM算法的输变电设备有功功率预测装置，参见图3，所述装置可以包括：

第一获得单元301，用于获得第一特征向量，其中，所述第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据，所述第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；

第二获得单元302，用于将所述第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值，其中，所述下一时刻与第一目标时刻具有预设时间间隔，所述第一目标时刻为：所述第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻；

其中，所述目标SVM模型是基于预设的支持向量机SVM算法，对至少一个训练样本进行训练所得的；所述训练样本包括：第二特征向量，以及所述第二特征向量对应的真实有功功率数据；所述第二特征向量中的元素包括：所述第一预设数量的第二历史有功功率数据，所述第二历史有功功率数据为：所述目标输变电设备对应的历史有功功率数据中满足所述预设条件的数据；所述真实有功功率数据为所述历史有功功率数据中参考时刻所对应的数据；所述参考时刻与第二目标时刻的差值为所述预设时间间隔；所述第二目标时刻为：所述第一预设数量的第二历史有功功率数据对应的时刻中最接近当前时刻的时刻。

在本发明实施例中，通过预先构建的目标支持向量机SVM模型，可以对所述目标输变电设备在任意时刻的有功功率进行预测。这是由于，所述预先构建的目标SVM模型，是通过至少一个训练样本训练得到的。并且任意一个训练样本中包括第二特征向量和该第二特征向量对应的真实有功功率数据。其中，所述第二特征向量中包括第一预设数量的第二历史有功功率数据，且任意一个第二历史有功功率数据为所述目标输变电设备的历史有功功率数据中的数据，另外，所述第一预设数量的第二历史有功功率数据满足预设条件；所述真实有功功率数据为所述历史有功功率数据中，参考时刻所对应的数据，并且所述参考时刻与所述第二特征向量中最接近当前时刻的第二历史有功功率数据所对应的时刻，相隔预设时间间隔。因此，在向所述目标SVM模型输入与所述第二特征向量具有同样特点的第一特征向量后，即可预测出第一目标时刻的下一时刻的有功功率预测值，该种预测方式，降低了对技术人员的专业水平的要求，从而降低了预测成本。

可选地，本发明实施例提供的基于SVM算法的输变电设备有功功率预测装置，还可以包括：训练单元；所述训练单元可以包括：

第一训练子单元，用于基于所述目标输变电设备所对应的历史有功功率数据，构建所述至少一个训练样本；

第二训练子单元，用于基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型。

可选地，所述第二训练子单元，可以包括：

第一获得模块，用于基于预设的L种SVM算法，分别对所述至少一个训练样本进行训练，获得L种SVM模型，其中，所述L种SVM算法所对应的核函数不相同，所述L＞1；

第二获得模块，用于针对每种SVM模型，将第二预设数量的第二特征向量输入至该种SVM模型，获得该种SVM模型所输出的针对所输入的各个第二特征向量的有功功率预测值；

第一确定模块，用于针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度；

第二确定模块，用于将预测准确度最高的SVM模型确定为目标SVM模型。

可选地，所述第一确定模块可以包括：

第一确定子模块，用于针对每种SVM模型，确定输入至该种SVM模型的所述第二预设数量的第二特征向量所对应的真实有功功率数据；

第一计算子模块，用于基于所述第二预设数量的第二特征向量所对应的真实有功功率数据，以及将所述第二预设数量的第二特征向量输入至该种SVM模型后所获得的有功功率预测值，计算该种SVM模型对应的平均相对误差和均方相对误差；

第二确定子模块，用于基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度；

其中，该种SVM模型对应的平均相对误差的计算公式为：

其中，该种SVM模型对应的均方相对误差的计算公式为：

其中，所述e_MRE表示该种SVM模型对应的平均相对误差；所述e_RMSE表示该种SVM模型对应的均方相对误差；所述N表示所述第二预设数量对应的数值；所述L(i)表示输入至该种SVM模型的第二特征向量i所对应的真实有功功率数据；所述L`(i)表示所述第二特征向量i输入至该种SVM模型后所输出的有功功率预测值。

可选地，所述第二确定子模块具体用于：

针对每个输入至该种SVM模型的第二特征向量，确定相应的真实有功功率数据与该第二特征向量对应的有功功率预测值的误差百分比，判断所述误差百分比是否小于第一预设阈值，若是，确定该第二特征向量对应有功功率预测值合格；

确定所述第二预设数量的第二特征向量中，预测结果为合格的第二特征向量的数量占所述第二预设数量的比例，获得合格率；

基于所述平均相对误差和均方相对误差，以及所述合格率，确定该种SVM模型的预测准确度；

其中，计算所述误差百分比的计算公式为：

其中，所述e表示所述误差百分比。

可选地，所述装置还可以包括：优化单元；

所述优化单元，用于在通过所述训练单元获得所述目标SVM模型后，基于网格搜索算法，对所述目标SVM模型中核函数参数进行优化，获得优化后的目标SVM模型，其中，所述网格搜索算法是基于spark并行计算框架执行的。

可选地，所述第二特征向量还可以包括：与所述参考时刻最接近的气象温度数据；所述第一预设数量的第二历史有功功率数据可以包括：第一数据、第二数据和第一目标数据组；其中，所述第一数据对应的时刻与所述参考时刻间隔第一预设时间间隔；所述第二数据对应的时刻与所述参考时刻间隔第二预设时间间隔，所述第一预设时间间隔大于所述第二预设时间间隔；所述第一目标数据组中在时间上相邻的两个第二历史有功功率数据间隔所述预设时间间隔，所述第一目标数据组中包括所述第二目标时刻所对应的第二历史有功功率数据，所述第二预设时间间隔大于所述预设时间间隔；

相应地，所述第一特征向量还可以包括：与所述下一时刻最接近的气象温度数据；所述第一预设数量的第一历史有功功率数据可以包括：第三数据、第四数据和第二目标数据组；其中，所述第三数据对应的时刻与所述待预测时刻间隔所述第一预设时间间隔；所述第四数据对应的时刻与所述待预测时刻间隔所述第二预设时间间隔；所述第二目标数据组中在时间上相邻的两个第一历史有功功率数据间隔所述预设时间间隔，所述第二目标数据组中包括所述第一目标时刻所对应的第一历史有功功率数据；

可选地，所述装置还包括：清洗单元；

所述清洗单元，用于按照预设处理方式，对所述至少一个训练样本中的各个元素进行数据清洗；

所述第二训练子单元具体用于：基于预设的SVM算法，对数据清洗后的至少一个训练样本进行训练，获得目标SVM模型；

相应地，所述清洗单元，还用于在获得所述第一特征向量后，按照所述预设处理方式，对所述第一特征向量中的各个元素进行数据清洗；

所述第二获得单元302具体用于：将利用所述清洗单元进行数据清洗后的第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于SVM算法的输变电设备有功功率预测方法，其特征在于，包括：

获得第一特征向量，其中，所述第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据；所述第一预设数量的第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；

将所述第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值，其中，所述下一时刻与第一目标时刻具有预设时间间隔，所述第一目标时刻为：所述第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻；

其中，所述目标SVM模型是基于预设的支持向量机SVM算法，对至少一个训练样本进行训练所得的；所述训练样本包括：第二特征向量，以及所述第二特征向量对应的真实有功功率数据；所述第二特征向量中的元素包括：所述第一预设数量的第二历史有功功率数据，所述第一预设数量的第二历史有功功率数据为：所述目标输变电设备对应的历史有功功率数据中满足所述预设条件的数据；所述真实有功功率数据为所述历史有功功率数据中参考时刻所对应的数据；所述参考时刻与第二目标时刻的差值为所述预设时间间隔；所述第二目标时刻为：所述第一预设数量的第二历史有功功率数据对应的时刻中最接近当前时刻的时刻。

2.根据权利要求1所述的方法，其特征在于，构建所述目标SVM模型的步骤包括：

基于所述目标输变电设备所对应的历史有功功率数据，构建所述至少一个训练样本；

基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型。

3.根据权利要求2所述的方法，其特征在于，所述基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型的步骤，包括：

基于预设的L种SVM算法，分别对所述至少一个训练样本进行训练，获得L种SVM模型，其中，所述L种SVM算法所对应的核函数不相同，所述L＞1；

针对每种SVM模型，将第二预设数量的第二特征向量输入至该种SVM模型，获得该种SVM模型所输出的针对所输入的各个第二特征向量的有功功率预测值；

针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度；

将预测准确度最高的SVM模型确定为目标SVM模型。

4.根据权利要求3所述的方法，其特征在于，针对每种SVM模型，基于该种SVM模型所输出的有功功率预测值，确定该种SVM模型的预测准确度的步骤，包括：

确定输入至该种SVM模型的所述第二预设数量的第二特征向量所对应的真实有功功率数据；

基于所述第二预设数量的第二特征向量所对应的真实有功功率数据，以及将所述第二预设数量的第二特征向量输入至该种SVM模型后所获得的有功功率预测值，计算该种SVM模型对应的平均相对误差和均方相对误差；

基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度；

其中，该种SVM模型对应的平均相对误差的计算公式为：

$e_{MRE}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{L\left(i\right)-L`\left(i\right)}{L\left(i\right)}\right|\×100\%$

其中，该种SVM模型对应的均方相对误差的计算公式为：

$e_{RMSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{L\left(i\right)-L`\left(i\right)}{L\left(i\right)}\right)}^2}\×100\%$

其中，所述e_MRE表示该种SVM模型对应的平均相对误差；所述e_RMSE表示该种SVM模型对应的均方相对误差；所述N表示所述第二预设数量对应的数值；所述L(i)表示输入至该种SVM模型的第二特征向量i所对应的真实有功功率数据；所述L`(i)表示所述第二特征向量i输入至该种SVM模型后所输出的有功功率预测值。

5.根据权利要求4所述的方法，其特征在于，所述基于所述平均相对误差和均方相对误差，确定该种SVM模型的预测准确度，包括：

针对每个输入至该种SVM模型的第二特征向量，确定相应的真实有功功率数据与该第二特征向量对应的有功功率预测值的误差百分比，判断所述误差百分比是否小于第一预设阈值，若是，确定该第二特征向量对应有功功率预测值合格；

确定所述第二预设数量的第二特征向量中，预测结果为合格的第二特征向量的数量占所述第二预设数量的比例，获得合格率；

基于所述平均相对误差和均方相对误差，以及所述合格率，确定该种SVM模型的预测准确度；

其中，计算所述误差百分比的计算公式为：

$e=\left|\frac{L\left(i\right)-L`\left(i\right)}{L\left(i\right)}\right|\×100\%$

其中，所述e表示所述误差百分比。

6.根据权利要求2所述的方法，其特征在于，在获得所述目标SVM模型后，所述方法还包括：

基于网格搜索算法，对所述目标SVM模型中核函数参数进行优化，获得优化后的目标SVM模型，其中，所述网格搜索算法是基于spark并行计算框架执行的。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述第二特征向量还包括：与所述参考时刻最接近的气象温度数据；所述第一预设数量的第二历史有功功率数据包括：第一数据、第二数据和第一目标数据组；其中，所述第一数据对应的时刻与所述参考时刻间隔第一预设时间间隔；所述第二数据对应的时刻与所述参考时刻间隔第二预设时间间隔，所述第一预设时间间隔大于所述第二预设时间间隔；所述第一目标数据组中在时间上相邻的两个第二历史有功功率数据间隔所述预设时间间隔，所述第一目标数据组中包括所述第二目标时刻所对应的第二历史有功功率数据，所述第二预设时间间隔大于所述预设时间间隔；

相应地，所述第一特征向量还包括：与所述下一时刻最接近的气象温度数据；所述第一预设数量的第一历史有功功率数据包括：第三数据、第四数据和第二目标数据组；其中，所述第三数据对应的时刻与所述待预测时刻间隔所述第一预设时间间隔；所述第四数据对应的时刻与所述待预测时刻间隔所述第二预设时间间隔；所述第二目标数据组中在时间上相邻的两个第一历史有功功率数据间隔所述预设时间间隔，所述第二目标数据组中包括所述第一目标时刻所对应的第一历史有功功率数据。

8.根据权利要求2所述的方法，其特征在于，所述基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型，包括：

按照预设处理方式，对所述至少一个训练样本中的各个元素进行数据清洗；

基于预设的SVM算法，对数据清洗后的至少一个训练样本进行训练，获得目标SVM模型；

相应的，在将所述第一特征向量输入至预先构建的目标支持向量机SVM模型之前，所述方法还包括：

按照所述预设处理方式，对所述第一特征向量中的各个元素进行数据清洗。

9.一种基于SVM算法的输变电设备有功功率预测装置，其特征在于，包括：

第一获得单元，用于获得第一特征向量，其中，所述第一特征向量中的元素包括：第一预设数量的第一历史有功功率数据，所述第一预设数量的第一历史有功功率数据为：目标输变电设备对应的历史有功功率数据中满足预设条件的数据；

第二获得单元，用于将所述第一特征向量输入至预先构建的目标支持向量机SVM模型，获得所述目标输变电设备在下一时刻的有功功率预测值，其中，所述下一时刻与第一目标时刻具有预设时间间隔，所述第一目标时刻为：所述第一预设数量的第一历史有功功率数据对应的时刻中最接近当前时刻的时刻；

其中，所述目标SVM模型是基于预设的支持向量机SVM算法，对至少一个训练样本进行训练所得的；所述训练样本包括：第二特征向量，以及所述第二特征向量对应的真实有功功率数据；所述第二特征向量中的元素包括：所述第一预设数量的第二历史有功功率数据，所述第一预设数量的第二历史有功功率数据为：所述目标输变电设备对应的历史有功功率数据中满足所述预设条件的数据；所述真实有功功率数据为所述历史有功功率数据中参考时刻所对应的数据；所述参考时刻与第二目标时刻的差值为所述预设时间间隔；所述第二目标时刻为：所述第一预设数量的第二历史有功功率数据对应的时刻中最接近当前时刻的时刻。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：训练单元；

所述训练单元包括：

第一训练子单元，用于基于所述目标输变电设备所对应的历史有功功率数据，构建所述至少一个训练样本；

第二训练子单元，用于基于预设的SVM算法，对所述至少一个训练样本进行训练，获得目标SVM模型。