CN109325880A - 一种基于Verhulst-SVM的中长期负荷预测方法 - Google Patents

Abstract

本发明涉及一种基于Verhulst‑SVM的中长期负荷预测方法，其技术特点在于：包括以下步骤：步骤1、分析经济新常态背景下各种新影响因素造成的不确定影响；步骤2、基于步骤1做出的分析，建立基于Verhulst模型的负荷影响因素预测模型，解得影响因素的预测值；并利用支持向量机完成相关历史数据的回归建模；步骤3、建立基于Verhulst‑SVM的中长期负荷预测模型，得到目标年份负荷预测值。本发明实现了小样本历史数据条件下的中长期负荷高精度预测，有效指导经济新常态背景下中长期负荷预测。

Description

一种基于Verhulst-SVM的中长期负荷预测方法

技术领域

本发明属于负荷预测技术领域，涉及中长期负荷预测方法，尤其是一种基于Verhulst-SVM的中长期负荷预测方法。

背景技术

目前，中长期负荷预测是电网规划建设、投资计划制定的重要依据，随着我国进入经济新常态阶段，经济增速变缓，结构不断优化，各项经济指标呈现出明显的“S”型特征。同时近年来电力行业也处于体制改革之中，新电改政策的推行与新兴负荷的发展使用户的用电用能习惯发生较大改变，以往中长期负荷预测仅以历史用电量数据为考虑因素进行预测的方法，已不能适应当前的形式发展，也难以完成准确的预测。因此，非常有必要深入研究在经济新常态与电力体制改革双重背景下，影响电力市场中长期需求的关键要素，构建一种具有更强抗干扰能力和政策适应能力的中长期负荷预测方法，从而在中长期时间范围内实现负荷之精确预测。

针对中长期负荷预测，国内外一些专家对其进行了大量研究，提出了很多方法，包括弹性系数法，回归分析法，时间序列法，灰色预测法，模糊预测法及支持向量机预测法等。一些学者通过构建多变量时间序列反演自记忆预测模型，综合时间序列模型和传统回归建模的优势；也有一些学者提出考虑城市化因素的中长期负荷预测模型，考虑了城市化发展的下负荷序列的规律性，提供了中长期负荷预测新思路；还有一些学者提出基于黄金分割法优选的自适应变权组合预测方法，获得了更好的预测结果。综上，近年来中长期负荷预测发展迅速，预测效果不断改善，然而现有方法并没有考虑到经济新常态下负荷影响因素变化规律性的改变，也缺乏对电力体制改革下负荷与影响因素的复杂关系的考虑。

因此，本发明针对新常态下宏观经济的发展趋势与电力体制改革的政策影响，提出一种基于Verhulst-SVM的中长期负荷预测方法。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、有抗干扰能力和政策适应能力强且预测结果精确的基于Verhulst-SVM的中长期负荷预测方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于Verhulst-SVM的中长期负荷预测方法，包括以下步骤：

步骤1、分析经济新常态背景下各种新影响因素造成的不确定影响；

步骤2、基于步骤1做出的分析，建立基于Verhulst模型的负荷影响因素预测模型，解得影响因素的预测值；并利用支持向量机完成相关历史数据的回归建模；

步骤3、建立基于Verhulst-SVM的中长期负荷预测模型，得到目标年份负荷预测值。

而且，所述步骤1的经济新常态下宏观经济的发展趋势与电力体制改革的政策背景下的新影响因素包括：经济增速放缓、经济结构逐步调整和经济增长动力转换，并分别选取GDP、工业产值和固定投资作为代表指标；

而且，所述步骤2的Verhulst预测模型可表示为：

y⁽⁰⁾(k)+az⁽¹⁾(k)＝b(z⁽¹⁾(k))² (1)

式中，a，b为模型参数，Y⁽⁰⁾为电力负荷影响因素的原始序列：

Y⁽⁰⁾＝[y⁽⁰⁾(1)，y⁽⁰⁾(2)，...，y⁽⁰⁾(n)] (2)

Y⁽¹⁾为Y(⁰)的1-AGO数列：

y⁽¹⁾＝[y⁽¹⁾(1)，y⁽¹⁾(2)，...，y⁽¹⁾(n)] (3)

式中，

Z⁽¹⁾为y⁽¹⁾的紧邻均值生成序列：

Z⁽¹⁾＝[z⁽¹⁾(1)，z⁽¹⁾(2)，...，z⁽¹⁾(n)] (4)

式中，z⁽¹⁾(k)＝0.5*(y⁽¹⁾(k)+y⁽¹⁾(k-1))，k＝2，3，...，n

Verhulst模型的白化方程为：

通过最小二乘法求解[a，b]后，取y⁽¹⁾(0)＝y⁽⁰⁾(1)，可得Verhulst模型的白化方程式(5)解为：

Verhulst模型的白化方程式(5)的累减还原后即得到影响因素的预测值为：

而且，所述步骤2的利用支持向量机完成相关历史数据的回归建模的具体步骤包括：

(1)最优超平面回归估计式为：

式中，a_j和是拉格朗日乘子；K(x，x_i)为核函数；

(2)选择径向基函数为：

K(x，x_i)＝exp(-g|x-x_i|²) (9)

式中，g为参数；

(3)利用支持向量机进行回归预测就是以各负荷的影响因素预测值为自变量，以负荷实际值为因变量，通过多元回归拟合得到一个非线性的关系式为：

式中，为目标时刻的预测结果；y_it为影响因素的预测结果；w_t表示的是各影响因素的隐含权重。

而且，所述步骤3的具体步骤：

(1)利用步骤1分析的负荷影响因素与电力负荷历史数据完成步骤2基于Verhulst模型的负荷影响因素预测模型的建模；

(2)利用步骤3的第(1)步中构建的基于Verhulst模型的负荷影响因素预测模型对目标年份负荷影响因素进行预测；

(3)对负荷影响因素历史数据及其目标年份预测结果进行归一化预处理，缩放到[-1,1]之间，形成标准值以提高支持向量机的效率与准确性；

(4)以步骤3的第(3)步中的负荷影响因素历史数据标准值为自变量，以负荷历史数据为因变量，通过网格搜索与交叉验证设置支持向量机参数(c,g,p)后，将二者输入支持向量机中进行回归分析即可得到步骤2第(3)步的目标时刻的预测结果模型；

(5)将各负荷影响因素预测结果标准值输入步骤3第(4)步的目标时刻的预测结果模型中得到目标年份负荷预测值。

本发明的优点和有益效果：

1、本发明针对经济新常态背景下区域经济、社会条件等因素的发展趋势以及新电改政策与新兴负荷接入所造成的不确定影响，提出了基于Verhulst-SVM的中长期负荷预测方法，利用Verhulst模型对负荷影响因素进行预测，并采用支持向量机(support vectormachine,SVM)替代线性回归预测模型，实现了小样本历史数据条件下的中长期负荷高精度预测，有效指导经济新常态背景下中长期负荷预测。

2、本发明考虑了经济新常态背景下经济因素与社会条件的发展前景，在新电改条件下对政策性波动与新兴负荷的出现有着更强的适应性。对提高电力负荷预测方法的精确性和抗干扰能力具有重要的使用价值。

3、本发明的步骤2的利用支持向量机完成相关历史数据的回归建模，支持向量机进行回归拟合的实质就是把数据转换到高维空间之中，并且利用高维空间中构造的超平面进行回归拟合，从而合理的避免了在原来的空间中解决非线性问题的困难，加强了拟合及泛化能力。

附图说明

图1为本发明的基于Verhulst-SVM的中长期负荷预测模型流程图；

图2为本发明的本发明的经济新常态、电力体制改革与负荷三者关系示意图；

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种基于Verhulst-SVM的中长期负荷预测方法，如图1和图2所示，包括以下步骤：

步骤1、分析经济新常态背景下各种新影响因素造成的不确定影响；

所述步骤1的经济新常态下宏观经济的发展趋势与电力体制改革的政策背景下的新影响因素包括：经济增速放缓、经济结构逐步调整和经济增长动力转换，并分别选取GDP、工业产值和固定投资作为代表指标；

经济新常态、电力体制改革与负荷之间关系可用图1表示，经济新常态下宏观经济的发展趋势与电力体制改革的政策背景下的新影响因素包括经济新常态下负荷影响因素分析和电力体制改革对负荷的影响两部分；

其中，对经济新常态下负荷影响因素分析部分的经济新常态下的新影响因素为：经济增速放缓、经济结构逐步调整、经济增长动力转换，分别选取GDP、工业产值和固定投资作为代表指标，他们均是电力负荷预测的影响因素，这些新影响因素又带来人口新常态，同时人口新常态与内外因素又对经济新常态带来影响；经济新常态还促使电力体制改革，导致负荷与影响因素之间关系更复杂。

其中，电力体制改革对负荷的影响包括增强电力市场活力、提振用电需求和促进新兴能源与新兴负荷的发展。

步骤2、基于步骤1做出的分析，建立基于Verhulst模型的负荷影响因素预测模型，解得影响因素的预测值；并利用支持向量机完成相关历史数据的回归建模；

所述步骤2的Verhulst预测模型可表示为：

y⁽⁰⁾(k)+az⁽¹⁾(k)＝b(z⁽¹⁾(k))² (1)

式中，a，b为模型参数，Y⁽⁰⁾为电力负荷影响因素的原始序列：

Y⁽⁰⁾＝[y⁽⁰⁾(1)，y⁽⁰⁾(2)，...，y⁽⁰⁾(n)] (2)

Y⁽¹⁾为Y⁽⁰⁾的1-AGO数列：

y⁽¹⁾＝[y⁽¹⁾(1)，y⁽¹⁾(2)，...，y⁽¹⁾(n)] (3)

式中，

Z⁽¹⁾为Y⁽¹⁾的紧邻均值生成序列：

Z⁽¹⁾＝[z⁽¹⁾(1)，z⁽¹⁾(2)，...，z⁽¹⁾(n)] (4)

式中，z⁽¹⁾(k)＝0.5*(y⁽¹⁾(k)+y⁽¹⁾(k-1))，k＝2，3，...，n

Verhulst模型的白化方程为：

通过最小二乘法求解[a，b]后，取y⁽¹⁾(0)＝y⁽⁰⁾(1)，可得Verhulst模型的白化方程式(5)解为：

Verhulst模型的白化方程式(5)的累减还原后即得到影响因素的预测值为：

所述步骤2的利用支持向量机完成相关历史数据的回归建模的具体步骤包括：

支持向量机进行回归拟合的实质就是把数据转换到高维空间之中，并且利用高维空间中构造的超平面进行回归拟合，从而合理的避免了在原来的空间中解决非线性问题的困难，加强了拟合及泛化能力。

(1)最优超平面回归估计式为：

式中，a_j和是拉格朗日乘子；K(x，x_i)为核函数；

(2)选择径向基函数为：

K(x，x_i)＝exp(-g|x-x_i|²) (9)

式中，g为参数；

(3)利用支持向量机进行回归预测就是以各负荷的影响因素预测值为自变量，以负荷实际值为因变量，通过多元回归拟合得到一个非线性的关系式为：

式中，为目标时刻的预测结果；y_it为影响因素的预测结果；w_t表示的是各影响因素的隐含权重。

步骤3、建立基于VerhuIst-SVM的中长期负荷预测模型，得到目标年份负荷预测值；

所述步骤3的具体步骤：

(1)利用步骤1分析的负荷影响因素与电力负荷历史数据完成步骤2基于Verhulst模型的负荷影响因素预测模型的建模；

(2)利用步骤3的第(1)步中构建的基于Verhulst模型的负荷影响因素预测模型对目标年份负荷影响因素进行预测；

(3)对负荷影响因素历史数据及其目标年份预测结果进行归一化预处理，缩放到[-1，1]之间，形成标准值以提高支持向量机的效率与准确性；

(4)以步骤3的第(3)步中的负荷影响因素历史数据标准值为自变量，以负荷历史数据为因变量，通过网格搜索与交叉验证设置支持向量机参数(c，g，p)后，将二者输入支持向量机中进行回归分析即可得到步骤2第(3)步的目标时刻的预测结果模型，即式(10)的预测模型；

(5)将各负荷影响因素预测结果标准值输入步骤3第(4)步的目标时刻的预测结果模型中得到目标年份负荷预测值。

步骤4、对提出的中长期负荷预测模型进行验证。

所述步骤4的对提出的中长期负荷预测模型进行验证，对本发明的一种基于Verhulst-SVM的中长期负荷预测模型进行实施应用，以验证本发明方法的可行性和有益效果。

下面以天津市2009～2014年的国民生产总值、常住人口、固定投资和工业产值作为负荷影响因素，如表1所示，并利用Verhulst模型获得上述影响因素2015-2016年的预测值，如表2所示。

把表1的四个影响因素的历年数据作为输入，通过步骤3中的Verhulst模型即可得表2的影响因素的预测值以及误差，再把得到的预测值作为输入，通过步骤3中的向量机回归分析即可得到表3的预测结果。具体的计算过程就是把这些参数带到前述步骤1和步骤2列出的公式中。

表1 2009-2014年天津市负荷影响因素历史值及增速

Tab.1 Historical Value and Growth Rate of Factors Affecting PowerLoad in Tianjin from 2009 to 2014

表2 2015-2016年天津市负荷影响因素预测值及误差

Tab.2 Forecast Value and Error of Influencing Factors of Power Loadin Tianjin from 2015 to 2016

在得到负荷影响因素预测值后，根据所述步骤3建模，以2009-2014年天津市负荷及其影响因素数据为输入量，通过网格搜索和交叉验证设置支持向量机最优参数为(c，g，p)＝(1024，0.015625，0.0009765625)后，构建支持向量机回归模型，对2015-2016年天津市全社会用电量进行预测，并选择线性回归模型进行对照，结果如表3所示。

表3 2015年和2016年天津市全社会年用电量预测

Tab.3 Annual Electricity Consumption Forecast of Tianjin in 2015-2016

由表1的各项影响因素实际值可以看出近年来天津市经济和人口指标符合经济新常态特征，增速放缓，进入“S型”发展阶段，适合使用Verhulst模型进行预测，表2中的预测结果也显示基于Verhulst模型的负荷影响因素预测具有较高的精度。表3表明本发明提出的基于Verhulst-SVM的负荷预测模型的平均相对误差绝对值为0.43％，最大相对误差绝对值为0.52％，预测精度远高于线性回归模型，可为未来中长期负荷预测提供借鉴。

在经济新常态背景下，本发明分析了负荷影响因素的发展规律与电力体制改革的复杂影响，构建了一个基于Verhulst-SVM的中长期负荷预测模型，弥补了传统方法抗政策性干扰能力较弱的不足。算例表明在经济新常态与电力体制改革双重背景下，基于Verhulst-SVM的中长期负荷预测模型能够对负荷进行有效预测，提高了预测准确度，可以作为未来中长期负荷的预测方法。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：包括以下步骤：

步骤1、分析经济新常态背景下各种新影响因素造成的不确定影响；

步骤2、基于步骤1做出的分析，建立基于Verhulst模型的负荷影响因素预测模型，解得影响因素的预测值；并利用支持向量机完成相关历史数据的回归建模；

步骤3、建立基于Verhulst-SVM的中长期负荷预测模型，得到目标年份负荷预测值。

2.根据权利要求1所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤1的经济新常态下宏观经济的发展趋势与电力体制改革的政策背景下的新影响因素包括：经济增速放缓、经济结构逐步调整和经济增长动力转换，并分别选取GDP、工业产值和固定投资作为代表指标。

3.根据权利要求1所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤2的Verhulst预测模型可表示为：

y⁽⁰⁾(k)+az⁽¹⁾(k)＝b(z⁽¹⁾(k))²

式中，a,b为模型参数，Y⁽⁰⁾为电力负荷影响因素的原始序列：

Y⁽⁰⁾＝[y⁽⁰⁾(1),y⁽⁰⁾(2),...,y⁽⁰⁾(n)]

Y⁽¹⁾为Y⁽⁰⁾的1-AGO数列：

Y⁽¹⁾＝[y⁽¹⁾(1),y⁽¹⁾(2),...,y⁽¹⁾(n)]

式中，

Z⁽¹⁾为Y⁽¹⁾的紧邻均值生成序列：

Z⁽¹⁾＝[z⁽¹⁾(1),z⁽¹⁾(2),...,z⁽¹⁾(n)]

式中，z⁽¹⁾(k)＝0.5*(y⁽¹⁾(k)+y⁽¹⁾(k-1))，k＝2，3，...，n

Verhulst模型的白化方程为：

通过最小二乘法求解[a,b]后，取y⁽¹⁾(0)＝y⁽⁰⁾(1),可得Verhulst模型的白化方程式解为：

Verhulst模型的白化方程式的累减还原后即得到影响因素的预测值为：

4.根据权利要求1所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤2的利用支持向量机完成相关历史数据的回归建模的具体步骤包括：

(1)最优超平面回归估计式为：

式中，a_i和是拉格朗日乘子；K(x,x_i)为核函数；

(2)选择径向基函数为：

K(x,x_i)＝exp(-g|x-x_i|²)

式中，g为参数；

(3)利用支持向量机进行回归预测就是以各负荷的影响因素预测值为自变量，以负荷实际值为因变量，通过多元回归拟合得到一个非线性的关系式为：

式中，为目标时刻的预测结果；y_it为影响因素的预测结果；w_t表示的是各影响因素的隐含权重。

5.根据权利要求4所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤3的具体步骤：

(1)利用步骤1分析的负荷影响因素与电力负荷历史数据完成步骤2基于Verhulst模型的负荷影响因素预测模型的建模；

(2)利用步骤3的第(1)步中构建的基于Verhulst模型的负荷影响因素预测模型对目标年份负荷影响因素进行预测；

(3)对负荷影响因素历史数据及其目标年份预测结果进行归一化预处理，缩放到[-1,1]之间，形成标准值以提高支持向量机的效率与准确性；

(4)以步骤3的第(3)步中的负荷影响因素历史数据标准值为自变量，以负荷历史数据为因变量，通过网格搜索与交叉验证设置支持向量机参数(c,g,p)后，将二者输入支持向量机中进行回归分析即可得到步骤2第(3)步的目标时刻的预测结果模型；

(5)将各负荷影响因素预测结果标准值输入步骤3第(4)步的目标时刻的预测结果模型中得到目标年份负荷预测值。