CN108334988A - 一种基于svm的短期电网负荷预测方法 - Google Patents
一种基于svm的短期电网负荷预测方法 Download PDFInfo
- Publication number
- CN108334988A CN108334988A CN201810128638.1A CN201810128638A CN108334988A CN 108334988 A CN108334988 A CN 108334988A CN 201810128638 A CN201810128638 A CN 201810128638A CN 108334988 A CN108334988 A CN 108334988A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- total load
- svm
- power grid
- 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
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 230000000192 social effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000007423 decrease Effects 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于SVM短期电网负荷预测方法,首先通过数据爬取或官方合作等手段获取城市的天气信息;随后,对所有的特征属性进行主成分分析,将原始特征转换为有效的组合特征;最后,利用支持向量机对这些特征属性和电网负荷之间的关联关系进行学习并达到预测的效果。采用本发明方法能够较为准确的预测未来一天的电网负荷变化趋势,使得调度人员能够参考变化趋势,结合已有调度经验,对电力分配进行合理调度,减少用电成本,具有重要的经济和社会意义。
Description
技术领域
本发明涉及一种电网负荷预测方法,尤其是一种基于支持向量机SVM的短期电网负荷预测方法,属于信息技术领域。
背景技术
短期电网负荷预测一般主要指对未来1天至1周的电力负荷进行预测,对电网负荷的预测可有效指导电力的分配,缓解电力网络的输送压力,其预测的精度将直接影响电力市场下各运营商的经济成本,在现代电力管理中占有重要地位。准确的电力负荷预测可以保证电网的安全稳定和经济运行,优化电力系统调度,降低发电机组的生产成本,是实施电网优化控制的重要前提,在发展低碳经济的时代背景下具有重要的实际意义。
短期电力负荷波动较大,具有明显的趋势性和周期性,受温度、风力、降水等多方面因素的影响,负荷数据存在显著的突变结构。目前,传统的负荷预测方法包括回归分析法、时间序列法、趋势外推法等,这些方法多采用数学表达式的方式来描述预测模型,难以满足电力负荷周期性、时变性的要求;现代预测方法主要有灰色预测法、模糊预测法等,由于电力负荷本身特征复杂,特征之间的非线性关联关系,致使此类方法易陷入局部极小值,影响其预测精度。人工神经网络模型得到广泛应用,但此类模型大多不考虑气象因素,同时,BP网络学习算法实际利用梯度下降法调节权重使目标函数最小,而目标函数仅仅是给定输入和相应输出差的平方和,导致BP网络过分强调学习,泛化能力不强。而支持向量机SVM的不同在于,对未来样本具有较好的泛化性能。SVM的一个显著优点在于它的训练等价于解决一个线性约束的二次规划问题,存在唯一解。目前SVM已经扩展为解决非线性回归预测问题。
发明内容
针对上述现有技术的不足,本发明提供一种基于SVM的短期电网负荷预测方法,能够较为准确的预测某市未来一天的电力负荷趋势,为电力调度人员平衡调度提供合理有效的指导。
为了达到上述目的,本发明的技术方案在于提供一种基于SVM的短期电网负荷预测方法,包含以下过程:
获取待预测地的电力负荷相关数据,获取待预测地的天气数据进行主成分分析得到有效的线性无关的特征,确定影响电网负荷的特征属性;
确定支持向量机的预测模型中的线性判别函数和判别面,利用支持向量机对特征属性和电网负荷之间的关联关系进行学习;
根据待预测地的电网总负荷及工业总负荷的历史数据的规律进行调参,将由调参确定的最优参数作为支持向量机的输入,对电网负荷进行预测。可选地,获取待预测地在设定日期范围内的天气数据,包含每天8个时间节点的多个原始特征属性;
将每天8个时间节点的天气数据以15分钟的时间间隔扩展为96个时间点;对多个原始特征属性采用主成分分析进行降维;
将日期对应的星期信息以及每天内的时刻信息加入到特征信息中。
可选地,降维后天气数据的特征属性,包含温度、水平大气压、平均海平面大气压、气压趋势、观测前三小时内大气压的变化。
可选地,获取待预测地在设定日期范围内的电力负荷相关数据,进行归一化和降噪处理;所述电力负荷相关数据包含电网总负荷、工业总负荷;将已有电网总负荷的数据集作为样本集,将缺少电网总负荷的数据集作为预测集。
可选地,基于平均值方法对数据集中的异常值进行替换:对于预测集中工业总负荷为异常值的时刻,以该时刻所在日期之前设定天数内同一时刻的工业总负荷的平均值,对异常值进行替换。
可选地,确定支持向量机的预测模型中的线性判别函数和判别面,包含通过求解以下的约束优化问题,来获得广义最优分类面的过程:
st. yi(wTxi+b)-1+ξi≥0(ξi>0)
其中,w为权向量,ξ为误差,线性可分的样本集为
(xi,yi),i=1,2,...,n,xi∈Rd,yi∈{-1,1}
惩罚系数C>0是一个控制对错分样本惩罚程度的常数。
可选地,电网总负荷及工业总负荷的历史数据的规律,包含电网总负荷和工业总负荷均呈现出周期为一天的周期性;
观察一天内电网总负荷和工业总负荷各自出现峰值、谷值、上升、下降的时刻,观察一周内电网总负荷和工业总负荷在每天对应时间段内的分布,以及通过观察数据分布图中呈现的分布形状及发展趋势,分析电网总负荷和工业总负荷与特征属性的相关关系。
可选地,利用支持向量机对特征属性和电网负荷之间的关联关系进行学习时,将待预测地的工业总负荷及天气数据作为输入,将电网总负荷作为输出,采用核函数为径向基函数的支持向量机进行特征学习;
径向基函数的表达式为:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0
其中,γ为可调参数。
可选地,通过调参,确定以下三个参数各自的最优值,作为输入支持向量机的最优参数:核函数的可调参数γ,广义最优分类面的惩罚系数C,及训练过程中用于交叉验证的子集个数。
可选地,将数据集中的最后一周作为测试数据集,其余数据作为训练集备选,通过选取测试集前序紧邻的不同天数,分别求取预测误差error值并进行比较,来确定训练集的最佳天数;所述最佳天数与整个数据集最有可能的马尔科夫阶数相对应;
将预测集之前对应最佳天数的数据作为最佳训练数据集的数据来源;选择每个当前参数的最优值时,保持其他参数的数值不变,求取当前参数具有不同取值时所对应的预测误差error值来进行比较;将最小预测误差error值对应的取值,作为当前参数的最优值;
预测误差error值的计算,以预测值的相对误差的平均值为目标:
其中,n为预测值个数,ypredict(i)为第i个输入向量对应的预测值,yreal(i)为第i个输入向量的真实输出。
综上所述,本发明提供一种基于SVM短期电网负荷预测方法,首先通过数据爬取或官方合作等手段获取城市的天气信息;随后,对所有的特征属性进行主成分分析,将原始特征转换为有效的组合特征;最后,利用支持向量机对这些特征属性和电网负荷之间的关联关系进行学习并达到预测的效果。采用本发明方法能够较为准确的预测未来一天的电网负荷变化趋势,使得调度人员能够参考变化趋势,结合已有调度经验,对电力分配进行合理调度,减少用电成本,具有重要的经济和社会意义。
附图说明
图1是本发明的实施过程示意图;
图2是线性可分情况下的最优分类线示意图;
图3是电网总负荷量在一周内的分布示意图;
图4是工业总负荷量在一周内的分布示意图;
图5是电网总负荷在一周七天内的各自情况的示意图;
图6是工业总负荷在一周七天内的各自情况的示意图;
图7是2016年1月1日到10月24日内温度变化情况示意图;
图8a、图8b分别是C=1,γ=0.01,k=10时SVM的预测值及误差的示意图;
图9是188个时刻的预测数据趋势图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步解释:
如图1所示,本发明提供一种基于SVM的短期电网负荷预测方法,其实施过程包含:
步骤一、爬取城市天气数据,获取某市下辖县的用电负荷情况和某市工业总负荷数据;对天气数据进行主成分分析得到有效的线性无关的特征,确定影响电网负荷的主要特征属性。
步骤二、确定SVM预测模型中的线性判别函数和判别面。
步骤三、认识数据,通过不断调参,确定最优参数,并将此作为参数输入,对电网负荷进行预测。
实施例1:某市短期电网负荷预测。
参见图1所示,本发明的实施例1中所示的某市电网负荷预测方法是按照如下步骤实施:
步骤一,获取电力负荷相关数据,爬取某市的天气数据,对天气属性进行主成分分析,确定有效的特征,对电力负荷的特征属性进行归一化和降噪处理。
具体实现方法是:
(1)、从互联网上爬取了某市2016年1月1日到10月30日的天气数据,包含了每天特定8个时间节点的温度,水平气压,平均海平面大气压,水平能见度等8个有效数据。
(2)、考虑到工业总负荷以及电网总负荷是以15分钟为时间间隔,本例将每天8个时间点的天气数据扩展为96个时间点,使其每15分钟记录一次数据。处理过程中假设当前检测数据持续有效直到下一个检测时间点。
(3)、天气情况包含8个特征属性,但并不都是有效的输入。我们采用主成分分析(PCA)的方法对其进行降维。通过这种方法,我们将8维的天气数据降维到4维:温度T(摄氏度),水平的大气压Po(毫米汞柱),P平均海平面的大气压(毫米汞柱),Pa气压趋势,观测前三小时内大气压的变化(毫米汞柱),且其总权重达到98.58%,即能从98.58%的程度上解释电网总负荷的变化。
(4)考虑到时间信息对数据的影响效果,包括一天24个小时的时序规律以及dayofweek效应(周期为一周的周期性),将日期对应的星期信息以及每天内的时刻信息加入到数据的特征信息中去,将最终的电网总负荷作为需要预测的结果。此外,将已有电网总负荷的数据集作为样本集(即2016年1月1日00:00到10月24日15:45,共28571条记录数据),将缺少电网总负荷的数据集作为预测集(2016年10月24日16:00到10月26日14:45,共188条记录数据)。采用平均值的方法对数据集中异常值进行替换,即:预测集中10月26日00:00对应的工业总负荷异常为0,用1月1日到10月25日对应00:00的工业总负荷的平均值将其替换。
步骤二的具体实现方法是:
(1)、对于特征属性较多的问题,最优分类线就变为最优分类面。数据点通常在输入空间是线性不可分的,将它映射到更高维的特征空间,使其线性可分,这里的映射函数我们称之为核函数。特征空间的超平面对应输入空间的一个非线性的分离曲面,因此称为非线性分离器。
(2)、如图2所示,设线性可分的样本集为
(xi,yi),i=1,2,...,n,xi∈Rd,yi∈{-1,1}
d维空间中的线性判别函数:g(x)=wTx+b,分类面方程为wTx+b=0,w为权向量,b为阈值权或偏置,x为特征向量或样本向量。可以对它进行归一化,使得所有的样本都满足|g(x)|≥1,即离分类面最近的样本满足|g(x)|=1,这样分类间隔就等于2/||w||。因此要求分类间隔最大,就是要求||w||(或||w||2)最小。而要求分类面对所有的样本正确分类,就是要求满足:
yi(wTxi+b)-1≥0,i=1,2,...,n.
因此,满足上式且使||w||2最小的分类面就是最优分类面。过两类样本中离分类面最近的点且平行于最优分类面的超平面H1,H2上的训练样本,就是使上式等号成立的样本,称作支持向量。
(3)、求最优分类面的问题转化为如下约束优化问题,
st. yi(wTxi+b)-1≥0
这是一个二次凸规划问题。由于目标函数和约束条件都是凸的,根据最优化理论,这一问题存在唯一的全局最小解。
对于非线性分类器就要把x映射到特征空间,同时考虑误差ξ的存在(即有些样本点会越过分类边界),即折衷考虑最少错分样本和最大分类间隔,就得到广义最优分类面。上述优化问题变为:
st. yi(wTxi+b)-1+ξi≥0(ξi>0)
其中C>0是一个常数,它控制对错分样本惩罚的程度。
步骤三具体实现为:
(1)、对数据进行预测之前,我们先认识历史数据。图3和图4分别展示了2016年1月11日到17日电网总负荷和工业总负荷的分布情况。从图3和图4中可见,某市电网总负荷和工业总负荷呈现出了周期为一天的周期性,并且工作日和周末几乎没有差异。当时间粒度细化为一天时,电网总负荷具有明显的两个峰值,分别对应上班早晚高峰。而工业总负荷在早上7:30左右会急速下降,在17:30左右会出现第二次下降,并在晚上22:30左右剧增。我们将时间按一周七天分类,观察电网总负荷和工业总负荷在每天对应时间段内的分布。从图5可知,电网总负荷无论在周几,其分布形状类似,且都具有缓慢的下降和上升过程。下降大概发生在2月中旬,上升大概发生在6、7月,再一次的下降大概发生在8、9月,而这些时间节点都对应着气候的变化。由此可见,电网总负荷在一定程度上受天气影响,温度过低或过高都会促使电网总负荷的增加,其spearman(斯皮尔曼)相关系数为0.2349。同理,分析工业总负荷与温度的spearman相关系数为0.3439,两者总体增长趋势更为相似(图6)。温度与电网总负荷和工业总负荷相关关系的强弱也可以从温度的分布图(图7)中看出。
(2)、本文使用某市的工业总负荷以及该市的天气数据作为输入,将电网总负荷作为输出,采用核函数为径向基(RBF)函数的SVM对其进行特征学习,径向基(RBF)函数具体表达式为:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0
其中,γ为可调参数。
一般做预测分析时,会将数据分为两大部分。一部分是训练数据,用于构建模型,一部分是测试数据,用于检验模型。但是,有时候模型的构建过程中也需要检验模型,辅助模型构建,所以会将训练数据再分为两个部分:1)训练数据;2)验证数据。将原始数据分成k组(我们采用的是均分),将每个子集数据分别做一次验证集,其余的k-1组子集数据作为训练集,这样会得到k个模型,用这k个模型最终的验证集的分类准确率的平均数作为此k折交叉验证分类器的性能指标。
综上所述,文中采用的SVM模型涉及核函数的可调参数γ,广义最优分类面的惩罚系数C以及训练过程中用于交叉验证的子集个数k。在调整选择最佳参数时,我们控制其他参数不变,以预测值的相对误差的平均值作为目标,
其中n为预测值个数,ypredict(i)为第i个输入向量对应的预测值,yreal(i)为第i个输入向量的真实输出。
文中数据集包含298天的历史数据,由于用电负荷呈现出来的马尔科夫性质,即下一刻的观测值只与前m个时刻的观测值有关,而与其他观测值无关,其中m为马尔科夫的阶数,即,
P{ζ(tn+1)=xn+1|ζ(t1)=x1,ζ(t2)=x2,…,ζ(tn)=xn}
=P{ζ(tn+1)=xn+1|ζ(tn-k+1)=xn-k+1,ζ(tn-k+2)=xn-k+2,…,ζ(tn)=xn}
其中,
x1,x2,x3,…,xn-1,xn为随机过程{ζ(w),t∈T}在t1,t2,t3,…,tn-1,tn对ζ(t)观测得到观测值。
我们将数据集中最后一周作为测试数据集,其余数据作为训练集备选,通过选取测试集前序紧邻的不同天数,观察预测的误差来确定训练集的最佳天数大小,即整个数据集最有可能的马尔科夫阶数。由表1-1可知,最佳训练数据集为预测集前两天对应的数据,即该数据集最有可能呈现出二阶马尔科夫过程。
表1-1训练集的数据大小(C=1,γ=0.01,k=10)
N | 1 | 2 | 3 | 4 | 5 | 10 | 15 | 50 |
error | 0.0497 | 0.0432 | 0.0448 | 0.1223 | 0.1661 | 0.1470 | 0.1277 | 0.1440 |
明确训练集的数据来源后,对SVM各输入参数进行选择。具体结果如下:
表1-2参数γ的选择(k=10,C=1)
γ | 0.001 | 0.031 | 0.051 | 0.01 | 0.11 | 0.31 | 0.51 | 0.91 |
error | 0.04744 | 0.04484 | 0.04483 | 0.04480 | 0.04483 | 0.04484 | 0.04683 | 0.04681 |
表1-3惩罚系数C的选择(k=10,γ=0.01)
C | 0.1 | 0.5 | 0.8 | 1 | 5 | 10 |
error | 0.0798 | 0.0798 | 0.0798 | 0.0448 | 0.0510 | 0.0510 |
表1-4交叉验证子集个数k的选择(C=1,γ=0.01)
k | 2 | 10 | 20 | 30 | 40 | 50 |
error | 0.04684 | 0.04481 | 0.04482 | 0.04484 | 0.04482 | 0.04483 |
从表1-2,表1-3,表1-4中可见,三个参数的最优分别为C=1,γ=0.01,k=10,即将广义最优分类面的惩罚系数定位1,径向基核函数的参数定位0.01,训练集分为10个子集用于交叉验证。在训练集上的测试效果如图8a、图8b所示,
(3)、训练好的SVM应用与预测集,即2016年10月24日16:00到10月26日14:45共188条的记录数据。结果如表1-5所示,对应的趋势图如图9所示。
表1-5 188个时刻的预测数据
本发明的预测方法建立在现有城市化信息管理系统基础之上,对于现场调度人员来说容易掌握,能够减轻调度人员的预测工作。本发明能够结合城市的天气数据,分析影响电力负荷变化的主要影响因素,并建立有效的电力负荷预测模型来预测未来短期内的电力负荷变化,有效克服人工预测电力负荷工作量大,精度低的问题。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种基于SVM的短期电网负荷预测方法,其特征在于,包含以下过程:
获取待预测地的电力负荷相关数据,获取待预测地的天气数据进行主成分分析得到有效的线性无关的特征,确定影响电网负荷的特征属性;
确定支持向量机的预测模型中的线性判别函数和判别面,利用支持向量机对特征属性和电网负荷之间的关联关系进行学习;
根据待预测地的电网总负荷及工业总负荷的历史数据的规律进行调参,将由调参确定的最优参数作为支持向量机的输入,对电网负荷进行预测。
2.如权利要求1所述基于SVM的短期电网负荷预测方法,其特征在于,
获取待预测地在设定日期范围内的天气数据,包含每天8个时间节点的多个原始特征属性;
将每天8个时间节点的天气数据以15分钟的时间间隔扩展为96个时间点;对多个原始特征属性采用主成分分析进行降维;
将日期对应的星期信息以及每天内的时刻信息加入到特征信息中。
3.如权利要求2所述基于SVM的短期电网负荷预测方法,其特征在于,
降维后天气数据的特征属性,包含温度、水平大气压、平均海平面大气压、气压趋势、观测前三小时内大气压的变化。
4.如权利要求2所述基于SVM的短期电网负荷预测方法,其特征在于,
获取待预测地在设定日期范围内的电力负荷相关数据,进行归一化和降噪处理;所述电力负荷相关数据包含电网总负荷、工业总负荷;将已有电网总负荷的数据集作为样本集,将缺少电网总负荷的数据集作为预测集。
5.如权利要求4所述基于SVM的短期电网负荷预测方法,其特征在于,
基于平均值方法对数据集中的异常值进行替换:对于预测集中工业总负荷为异常值的时刻,以该时刻所在日期之前设定天数内同一时刻的工业总负荷的平均值,对异常值进行替换。
6.如权利要求4所述基于SVM的短期电网负荷预测方法,其特征在于,
确定支持向量机的预测模型中的线性判别函数和判别面,包含通过求解以下的约束优化问题,来获得广义最优分类面的过程:
st.yi(wTxi+b)-1+ξi≥0(ξi>0)
其中,w为权向量,ξ为误差,线性可分的样本集为
(xi,yi),i=1,2,...,n,xi∈Rd,yi∈{-1,1}
惩罚系数C>0是一个控制对错分样本惩罚程度的常数。
7.如权利要求6所述基于SVM的短期电网负荷预测方法,其特征在于,
电网总负荷及工业总负荷的历史数据的规律,包含电网总负荷和工业总负荷均呈现出周期为一天的周期性;
观察一天内电网总负荷和工业总负荷各自出现峰值、谷值、上升、下降的时刻,观察一周内电网总负荷和工业总负荷在每天对应时间段内的分布,以及通过观察数据分布图中呈现的分布形状及发展趋势,分析电网总负荷和工业总负荷与特征属性的相关关系。
8.如权利要求7所述基于SVM的短期电网负荷预测方法,其特征在于,
利用支持向量机对特征属性和电网负荷之间的关联关系进行学习时,将待预测地的工业总负荷及天气数据作为输入,将电网总负荷作为输出,采用核函数为径向基函数的支持向量机进行特征学习;
径向基函数的表达式为:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0
其中,γ为可调参数。
9.如权利要求8所述基于SVM的短期电网负荷预测方法,其特征在于,
通过调参,确定以下三个参数各自的最优值,作为输入支持向量机的最优参数:核函数的可调参数γ,广义最优分类面的惩罚系数C,及训练过程中用于交叉验证的子集个数。
10.如权利要求9所述基于SVM的短期电网负荷预测方法,其特征在于,
将数据集中的最后一周作为测试数据集,其余数据作为训练集备选,通过选取测试集前序紧邻的不同天数,分别求取预测误差error值并进行比较,来确定训练集的最佳天数;所述最佳天数与整个数据集最有可能的马尔科夫阶数相对应;
将预测集之前对应最佳天数的数据作为最佳训练数据集的数据来源;选择每个当前参数的最优值时,保持其他参数的数值不变,求取当前参数具有不同取值时所对应的预测误差error值来进行比较;将最小预测误差error值对应的取值,作为当前参数的最优值;
预测误差error值的计算,以预测值的相对误差的平均值为目标:
其中,n为预测值个数,ypredict(i)为第i个输入向量对应的预测值,yreal(i)为第i个输入向量的真实输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810128638.1A CN108334988A (zh) | 2018-02-08 | 2018-02-08 | 一种基于svm的短期电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810128638.1A CN108334988A (zh) | 2018-02-08 | 2018-02-08 | 一种基于svm的短期电网负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334988A true CN108334988A (zh) | 2018-07-27 |
Family
ID=62927206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810128638.1A Pending CN108334988A (zh) | 2018-02-08 | 2018-02-08 | 一种基于svm的短期电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334988A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345027A (zh) * | 2018-10-25 | 2019-02-15 | 国网江苏省电力有限公司盐城供电分公司 | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 |
CN109447419A (zh) * | 2018-09-30 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种基于契约的酒店智慧能源管控系统 |
CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
CN110909916A (zh) * | 2019-10-24 | 2020-03-24 | 国网辽宁省电力有限公司 | 一种基于熵权法的风力发电月度电量区间预测方法 |
CN112348070A (zh) * | 2020-10-30 | 2021-02-09 | 广东电网有限责任公司电力调度控制中心 | 一种智能电网中短期负荷预测方法及系统 |
CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN107229993A (zh) * | 2017-05-03 | 2017-10-03 | 华北电力大学 | 一种基于km‑apso‑svm模型的短期电力负荷预测方法 |
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
-
2018
- 2018-02-08 CN CN201810128638.1A patent/CN108334988A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN107229993A (zh) * | 2017-05-03 | 2017-10-03 | 华北电力大学 | 一种基于km‑apso‑svm模型的短期电力负荷预测方法 |
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447419A (zh) * | 2018-09-30 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种基于契约的酒店智慧能源管控系统 |
CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
CN109345027A (zh) * | 2018-10-25 | 2019-02-15 | 国网江苏省电力有限公司盐城供电分公司 | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 |
CN109345027B (zh) * | 2018-10-25 | 2021-11-23 | 国网江苏省电力有限公司盐城供电分公司 | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 |
CN110909916A (zh) * | 2019-10-24 | 2020-03-24 | 国网辽宁省电力有限公司 | 一种基于熵权法的风力发电月度电量区间预测方法 |
CN110909916B (zh) * | 2019-10-24 | 2023-06-13 | 国网辽宁省电力有限公司 | 一种基于熵权法的风力发电月度电量区间预测方法 |
CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112348070A (zh) * | 2020-10-30 | 2021-02-09 | 广东电网有限责任公司电力调度控制中心 | 一种智能电网中短期负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334988A (zh) | 一种基于svm的短期电网负荷预测方法 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN107292417B (zh) | 基于重污染序列案例库的区域重污染判别预报方法及装置 | |
CN106951976A (zh) | 一种基于模式分类的公交客流预测方法 | |
CN111539845B (zh) | 一种基于用电模式隶属评分的企业环保管控响应研判方法 | |
CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
KR20140021179A (ko) | 일사량 예측 방법 및 장치 | |
CN116029598A (zh) | 一种城市洪涝灾害适灾韧性的评估方法、装置及应用 | |
CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
Biber et al. | Negative price spiral caused by renewables? Electricity price prediction on the German market for 2030 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN113610296B (zh) | 一种区域内用电负荷峰值预测方法及电网投资规划方法 | |
Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection | |
CN117854283A (zh) | 一种城市道路碳中和估算分析方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
CN108074019A (zh) | 一种基于支持向量机的光伏发电功率预测方法 | |
Szabó et al. | Parametric Postprocessing of Dual-Resolution Precipitation Forecasts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20180727 |