CN113420905A - 基于聚类分析与支持向量机的工商业负荷预测方法和装置 - Google Patents
基于聚类分析与支持向量机的工商业负荷预测方法和装置 Download PDFInfo
- Publication number
- CN113420905A CN113420905A CN202110282716.5A CN202110282716A CN113420905A CN 113420905 A CN113420905 A CN 113420905A CN 202110282716 A CN202110282716 A CN 202110282716A CN 113420905 A CN113420905 A CN 113420905A
- Authority
- CN
- China
- Prior art keywords
- data
- support vector
- vector machine
- industrial
- commercial
- 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 title claims abstract description 82
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 50
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000013106 supervised machine learning method Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000013461 design Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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
本申请涉及电力系统技术领域，提供一种基于聚类分析与支持向量机的工商业负荷预测方法和装置。本申请对工商业负荷的分析以及聚类算法在负荷预测中的应用，运用模糊C均值聚类算法和支持向量机对工商业负荷进行预测，有效的提高了工商业负荷预测的精度，进而有效的保障电力系统的稳定、安全运行。
Description
技术领域
本发明涉及电力系统技术领域，具体涉及一种基于聚类分析与支持向量机的工商业负荷预测方法和装置。
背景技术
在电力系统日益发展的今天，随着新能源发电的大规模并网，电网出现较大的波动，对电力系统的负荷预测工作产生了极大的挑战；同时，由于工商业负荷与一般的居民用电负荷不同，含有大量非线性、冲击性负荷，对电网造成的冲击也较大。因此，如何提高预测工商业负荷的准确性，对电网的稳定运行有着非常重要的作用。
发明内容
本申请实施例提供了一种基于聚类分析与支持向量机的工商业负荷预测方法和装置，可以解决相关技术中工商业负荷预测精度低的问题。所述技术方案如下：
第一方面，本申请实施例提供一种基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，包括以下步骤：
步骤一、获取n个历史负荷数据；其中，n为大于1的整数；
步骤二、对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型处理得到负荷预测结果；
步骤三、对所述负荷预测结果进行误差分析，以验证负荷预测方法的有效性和准确性。
在一种可能的设计中，步骤二的模糊C均值聚类方法是一种局部搜索模糊聚类算法，通过隶属度来确定每个历史负荷数据与聚类之间的隶属程度；聚类个的数是预先设置的，聚类中心是随机选择的。
在一种可能的设计中，所述模糊C均值聚类具体步骤包括：
步骤1，设X表示所述n个历史负荷数据，Xn表示第n个历史负荷数据，每个历史符合数据的特征指标数为p，待聚类的所述n个历史负荷数据的矩阵表示如下：
步骤2，聚类后将所述n个历史负荷数据分为c(2≤c≤n)个模糊类，每个模糊类的聚类中心的计算公式如下所示：
聚类后，所述c个模糊类的聚类中心矩阵V表示如下：
V＝{v1,v2,Λvc}；
其中，vi表示第i个模糊类的聚类中心，vi＝(vi1,vi2,Λvip)，i＝1,2,Λ,c；
步骤3，计算隶属度矩阵及目标函数值如下：
其中，
式(1)、(3)、(4)中，M、O、,Λv分别表示省略号，
步骤4，迭代误差判断，若
则迭代结束，否则将l自增1，返回步骤2继续迭代；
步骤5，得到隶属度矩阵U，将历史数据归入隶属度最大的模糊类中。
在一种可能的设计中，步骤二中的支持向量机模型是一种监督式的机器学习方法，所述支持向量机模型用于使用非线性映射，把低维的输入数据映射到高维特征空间，并在高维特征空间中进行线性回归，然后引入损失函数来解决回归问题。
在一种可能的设计中，使用如下的目标函数和约束等式来训练支持向量机模型：
其中，yi为训练样本i的功率实测值，vi为训练样本i的风速、风向等输入值，ξi和ξi *为松弛因子，ω和θ为待估计参数，ε为损失函数，β为惩罚因子，实现经验风险和置信范围的折中。
在一种可能的设计中，步骤二中数据预处理包括异常数据的处理和数据归一化处理。
在一种可能的设计中，所述异常数据的处理包括数据横向对比法、数据竖向对比方法、置换法、概率统计法或缺失数据的补充。
在一种可能的设计中，所述数据归一化处理是将历史负荷数据限制在0到1之间，使得各个历史负荷数据变得标准化，具体的公式如下：
其中，x为原始的历史负荷数据，xmin、xmax分别为所述n个历史负荷数据中的最大值和最小值，
为归一化后输出的历史负荷数据。
在一种可能的设计中，步骤三所述的误差分析是绝对误差AE和相对误差分析RE，具体的公式如下所示：
第二方面，本申请实施例提供了一种基于聚类分析与支持向量机的工商业负荷预测装置，包括：
获取单元，用于获取n个历史负荷数据；其中，n为大于1的整数；
预测单元，用于对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型处理得到负荷预测结果；
分析单元，用于对所述负荷预测结果进行误差分析，以验证负荷预测方法的有效性和准确性。
第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一基于聚类分析与支持向量机的工商业负荷预测装置，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
上述基于聚类分析与支持向量机的工商业负荷预测方法，首先，选择经典聚类方法-模糊 C均值聚类的分析方法进行详细介绍；其次，采用支持向量机方法对聚类分析后的结果构造训练和测试数据集，并对训练集进行训练，得到支持向量机模型；最后，结合某省300家工商业的日负荷数据进行聚类分析，并在此基础上采用支持向量机方法对不同负荷特性的工商业负荷进行预测。本申请中基于聚类分析对工商业负荷进行预测，能够应用数学方法定量的确定样本之间的亲疏关系，客观地划分类型，提高工商业负荷预测的精度。
附图说明
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申请的一些实施例，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是本申请实施例的基于聚类分析与支持向量机的工商业负荷预测方法的流程图；
图2是本申请实施例与未采用聚类算法的负荷预测结果对比图；
图3是本申请实施例与未采用聚类算法的负荷预测的误差分析对比图；
图4是本申请实施例提供的一种基于聚类分析与支持向量机的工商业负荷预测装置的结构示意图；
图5是本申请实施例提供的一种基于聚类分析与支持向量机的工商业负荷预测装置的另一结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
请参阅图1，示出本申请实施例提供的一种基于聚类分析与支持向量机的工商业负荷预测方法的流程图，在本申请实施例的基于聚类分析与支持向量机的工商业负荷预测方法，包括以下步骤：
S101、获取n个历史负荷数据；其中，n为大于1的整数，n个历史负荷数据是历史时间段内采集的多个负荷数据。
S102、对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型处理得到负荷预测结果；其中，基于n个历史负荷数据预测未来时间段内的负荷数据，该未来时间段内的负荷数据即负荷预测结果。
S103、对所述负荷预测结果进行误差分析。
其中，误差分析用于验证负荷预测方法的有效性和准确性。
在一个或多个实施例中，模糊C均值聚类方法是一种局部搜索模糊聚类算法，通过隶属度来确定每个历史负荷数据与聚类的隶属程度。在计算的开始，聚类个数可以是预先设定的，但聚类中心的选取是随机的。随着迭代优化的不断进行，聚类中心逐渐趋于最优，即所有历史负荷数据到其聚类中心的类内加权误差平方和最小。最终达到的效果是同一聚类中数据之间的最大相似度，而不同聚类之间有最小相似度。
在一个或多个实施例中，本实施例的模糊C均值聚类方法处理的具体步骤包括：
步骤1，设X表示所述n个历史负荷数据，Xn表示第n个历史负荷数据，每个历史符合数据的特征指标数为p，即每个历史负荷数据具有p个维度，聚类的样本矩阵如式(1)；
步骤2，聚类后将样本分为c(2≤c≤n)个模糊类，每个模糊类的聚类中心的计算公式如下式所示：
聚类后，聚类中心矩阵V表示如下：
V＝{v1,v2,Λvc} (3)
其中，vi＝(vi1,vi2,Λvip)，i＝1,2,Λ,c；
步骤3，计算隶属度矩阵及目标函数值如下：
其中，
式(1)、(3)、(4)中，M、O、,Λv分别表示省略号，下文表示相同，
步骤4，迭代误差判断，若
则迭代结束，否则l＝l+1，返回步骤2继续迭代；
步骤5，得到隶属度矩阵U，将历史负荷数据归入隶属度最大的模糊类中。
在一个或多个可能的实施例中，所述的支持向量机是一种监督式的机器学习方法，利用一个非线性映射，把低维的输入数据v映射到高维特征空间G，并在此空间中进行线性回归，通常引入损失函数来解决回归问题。
在一个或多个可能的实施例中，所述的支持向量机的目标函数和约束等式如下：
其中，yi为训练样本i的功率实测值，vi为训练样本i的包括风速和风向输入值，ξi和ξi *为松弛因子，ω和θ为待估计参数，ε为损失函数，β为惩罚因子，实现经验风险和置信范围的折中。
在一个或多个可能的实施例中，所述的数据预处理包括异常数据的处理和数据归一化处理。
在一个或多个可能的实施例中，所述异常数据处理方法包括数据横向对比法、数据竖向对比方法、置换法、概率统计法或缺失数据的补充。
其中，所述数据横向对比法是指将那一时刻的负荷数据和其相邻的负荷数据进行对比分析，若其差值大于事先制定好的阈值，则进行修正处理；所述数据竖向对比方法是将相邻日期的同一时刻的负荷数据进行对比分析，若其差值大于事先制定好的阈值，则进行修正处理；所述置换法是将明显异常的负荷数据进行替换；所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据需要设置恰当的置信区间，经过这两步达到对所获数据中坏数据的识别和修正；所述缺失数据的补充是用相似日的负荷数据取均值来进行补充。
在一个或多个实施例中，所述数据归一化处理是将样本限制在0到1之间，使得各个数据变得标准化，具体的公式如下：
其中，x为原始的历史负荷数据，xmin、xmax分别为所述n个历史负荷数据中的最大值和最小值，
为归一化后输出的历史负荷数据。
在一个或多个实施例中，本申请的误差分析是绝对误差AE和相对误差分析RE，具体的公式如下所示：
举例来说，具体地，以某省300家工商企业的日负荷数据为样本进行实证研究。
经过本文所述模糊C均值聚类算法对样本进行聚类分析，可得到如表1所示的负荷类型、负荷特性。
表1工商业负荷聚类结果
对以上不同负荷特性的工商业负荷中的迎峰型进行功率预测，并与未采用聚类算法的功率预测结果(方法二)进行对比，如图2所示；对两种预测结果进行相对误差分析，如图3 所示。从以上结果可以得出，本文所采用的模糊C均值聚类算法对工商业负荷预测的结果准确度高、相对误差较小，能较好的对工商业负荷进行预测，保障电力系统安全、稳定运行。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图4，其示出了本申请一个示例性实施例提供的基于聚类分析与支持向量机的工商业负荷预测装置的结构示意图。以下简称装置4，该装置可以通过软件、硬件或者两者的结合实现成为财务机器人的全部或一部分。装置4包括：获取单元40、预测单元41和分析单元42。
获取单元40，用于获取n个历史负荷数据；其中，n为大于1的整数；
预测单元41，用于对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型处理得到负荷预测结果；
分析单元42，用于对所述负荷预测结果进行误差分析，以验证负荷预测方法的有效性和准确性。
在一个或多个实施例中，模糊C均值聚类方法是一种局部搜索模糊聚类算法，通过隶属度来确定每个历史负荷数据与聚类之间的隶属程度；聚类个的数是预先设置的，聚类中心是随机选择的。
在一个或多个实施例中，所述模糊C均值聚类具体步骤包括：
步骤1，设X表示所述n个历史负荷数据，Xn表示第n个历史负荷数据，每个历史符合数据的特征指标数为p，待聚类的所述n个历史负荷数据的矩阵表示如下：
步骤2，聚类后将所述n个历史负荷数据分为c(2≤c≤n)个模糊类，每个模糊类的聚类中心的计算公式如下所示：
聚类后，所述c个模糊类的聚类中心矩阵V表示如下：
V＝{v1,v2,Λvc}；
其中，vi＝(vi1,vi2,Λvip)，i＝1,2,Λ,c；
步骤3，计算隶属度矩阵及目标函数值如下：
其中，
步骤4，迭代误差判断，若
则迭代结束，否则将l自增1，返回步骤2继续迭代；
步骤5，得到隶属度矩阵U，将历史负荷数据归入隶属度最大的模糊类中。
在一个或多个实施例中，支持向量机模型是一种监督式的机器学习方法，所述支持向量机模型用于使用非线性映射，把低维的输入数据映射到高维特征空间，并在高维特征空间中进行线性回归，然后引入损失函数来解决回归问题。
在一个或多个实施例中，使用如下的目标函数和约束等式来训练支持向量机模型：
其中，yi和vi分别为训练样本i的实测值和输入数据，ξi和ξi *为松弛因子，ω和θ为待估计参数，ε为损失函数，β为惩罚因子，实现经验风险和置信范围的折中。
在一个或多个实施例中，数据预处理包括异常数据的处理和数据归一化处理。
在一个或多个实施例中，所述异常数据的处理包括数据横向对比法、数据竖向对比方法、置换法、概率统计法或缺失数据的补充。
在一个或多个实施例中，所述数据归一化处理是将历史负荷数据限制在0到1之间，使得各个历史负荷数据变得标准化，具体的公式如下：
其中，x为原始的历史负荷数据，xmin、xmax分别为所述n个历史负荷数据中的最大值和最小值，
为归一化后输出的历史负荷数据。
在一个或多个实施例中，误差分析是绝对误差AE和相对误差分析RE，具体的公式如下所示：
需要说明的是，上述实施例提供的基于聚类分析与支持向量机的工商业负荷预测装置在执行基于聚类分析与支持向量机的工商业负荷预测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于聚类分析与支持向量机的工商业负荷预测装置与基于聚类分析与支持向量机的工商业负荷预测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1所示实施例的方法步骤，具体执行过程可以参见图1所示实施例的具体说明，在此不进行赘述。
请参见图5，为本申请实施例提供了一种基于聚类分析与支持向量机的工商业负荷预测装置结构示意图。如图5所示，以下简称装置1000，所述装置1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)、modbus总线。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个财务机器人1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行财务机器人1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital SignalProcessing， DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列 (Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics ProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001 的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图5所示的装置1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的配置应用程序接口的应用程序，并具体执行图1方法实施例所示的步骤。
本实施例的构思和图1的方法实施例相同，其带来的技术效果也相同，具体过程可参照图2实施例的描述，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (11)
1.一种基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，包括以下步骤：
步骤一、获取n个历史负荷数据；其中，n为大于1的整数；
步骤二、对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型数据预处理、模糊C均值聚类、训练支持向量机模型处理得到负荷预测结果；
步骤三、对所述负荷预测结果进行误差分析，以验证本发明负荷预测方法的有效性和准确性。
2.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤一的模糊C均值聚类方法是一种局部搜索模糊聚类算法，通过隶属度来确定每个历史负荷数据与聚类的隶属程度；聚类个数是预先设置的，聚类中心是随机选择的。
3.如权利要求2所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，所述模糊C均值聚类方法，具体步骤包括：
步骤1，设X表示所述n个p维的历史负荷数据，Xn表示第n个历史负荷数据，p表示每个历史负荷数据的特征指标数，待聚类的所述n个历史负荷数据的矩阵表示如下：
步骤2，聚类后将所述n个历史负荷数据分为c(2≤c≤n)个模糊类，每个模糊类的聚类中心的计算公式如下式所示：
聚类后，所述c个模糊类的聚类中心矩阵V表示如下：
V＝{v1,v2,Λvc} (3)
其中，vi表示第i个模糊类的聚类中心，vi＝(vi1,vi2,Λvip)，i＝1,2,Λ,c；
步骤3，计算隶属度矩阵及目标函数值如下：
其中，
式(1)、(3)、(4)中，M、O、Λ分别表示省略号，
步骤4，迭代误差判断，若
则迭代结束，否则l＝l+1，返回步骤2继续迭代；
步骤5，得到隶属度矩阵U，将历史负荷数据归入隶属度最大的模糊类中。
4.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤二中的支持向量机模型是一种监督式的机器学习方法，所述支持向量机模型用于使用非线性映射，把低维的输入数据映射到高维特征空间，并在高维特征空间中进行线性回归，然后引入损失函数来解决回归问题。
5.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，使用如下的目标函数和约束等式来训练支持向量机模型：
其中，yi为训练样本i的功率实测值，vi为训练样本i的包括风速和风向输入值，ξi和ξi *为松弛因子，ω和θ为待估计参数，ε为损失函数，β为惩罚因子，实现经验风险和置信范围的折中。
6.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤二中数据预处理包括异常数据的处理和数据归一化处理。
7.如权利要求6所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，所述异常数据的处理包括数据横向对比法、数据竖向对比方法、置换法、概率统计法或缺失数据的补充。
8.如权利要求6所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，所述数据归一化处理是将历史负荷数据限制在0到1之间，使得各个历史负荷数据变得标准化，具体的公式如下：
其中，x为原始的历史负荷数据，xmin、xmax分别为所述n个历史负荷数据中的最大值和最小值，
为归一化后输出的历史负荷数据。
9.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤三所述的误差分析是绝对误差AE和相对误差分析RE，具体的公式如下所示：
其中，
为预测值，Li为实测值。
10.一种基于聚类分析与支持向量机的工商业负荷预测装置，其特征在于，包括：
获取单元，用于获取n个历史负荷数据；其中，n为大于1的整数；
预测单元，用于对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型处理得到负荷预测结果；
分析单元，用于对所述负荷预测结果进行误差分析，以验证负荷预测方法的有效性和准确性。
11.一种基于聚类分析与支持向量机的工商业负荷预测装置，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～9任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110282716.5A CN113420905A (zh) | 2021-03-16 | 2021-03-16 | 基于聚类分析与支持向量机的工商业负荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110282716.5A CN113420905A (zh) | 2021-03-16 | 2021-03-16 | 基于聚类分析与支持向量机的工商业负荷预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420905A true CN113420905A (zh) | 2021-09-21 |
Family
ID=77711981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110282716.5A Pending CN113420905A (zh) | 2021-03-16 | 2021-03-16 | 基于聚类分析与支持向量机的工商业负荷预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420905A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263823A (zh) * | 2019-05-29 | 2019-09-20 | 广东工业大学 | 一种基于模糊聚类的短期负荷预测方法 |
| CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
-
2021
- 2021-03-16 CN CN202110282716.5A patent/CN113420905A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263823A (zh) * | 2019-05-29 | 2019-09-20 | 广东工业大学 | 一种基于模糊聚类的短期负荷预测方法 |
| CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李林峰: "《基于FCM聚类与SVM的电力系统短期负荷预测》", 《江苏电机工程》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN116031888A (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN111221249B (zh) | 一种用于数据中心系统群控的参数优化的方法 | |
| CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| CN111179108A (zh) | 用电能耗的预测方法和装置 | |
| CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| CN112990603A (zh) | 考虑频域分解后数据特征的空调冷负荷预测方法及系统 | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
| CN111767324A (zh) | 一种智能关联的自适应数据分析方法及装置 | |
| Safdarian et al. | Composite power system adequacy assessment based on postoptimal analysis | |
| CN113420905A (zh) | 基于聚类分析与支持向量机的工商业负荷预测方法和装置 | |
| Guo et al. | Mobile user credit prediction based on lightgbm | |
| CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
| CN112949908A (zh) | 一种电价概率预测方法及装置 | |
| Chen et al. | A dual attention-based CNN-GRU model for short-term electric load forecasting | |
| CN109189775B (zh) | 一种工业监控平台海量数据处理系统及方法 | |
| Wang et al. | Multi-Timescale load forecast of large power customers based on online data recovery and time series neural networks | |
| Huang et al. | Ultra-short-term prediction of microgrid source load power considering weather characteristics and multivariate correlation | |
| CN111144540A (zh) | 反窃电仿真数据集的生成方法 | |
| Jin et al. | Day-ahead load probabilistic forecasting based on space-time correction |
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 |
Application publication date: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |