基于cma/smo的支持向量機電力負荷預測方法
【技術領域】
[0001] 本發(fā)明屬于電力負荷預測技術領域，特別涉及一種基于CMA/SM0的支持向量機電 力負荷預測方法。
【背景技術】
[0002] 電力系統(tǒng)短期負荷預測對電力系統(tǒng)的可靠和經(jīng)濟運行意義重大，尤其隨著電力市 場的發(fā)展，短期負荷預測越來越受到重視。長期以來國內外學者對負荷預測的理論和方法 做了大量的研宄，提出了各種各樣的預測方法，這些方法大致可分為兩大類：一類是以時間 序列為代表的傳統(tǒng)方法，它們雖然運算簡單，計算速度快，但由于模型簡單無法模擬復雜多 變的電力負荷；一類是以人工智能為代表的新型人工智能方法，人工神經(jīng)網(wǎng)絡法無疑是最 引人關注的，但神經(jīng)網(wǎng)絡還存在著許多亟待解決的問題，如網(wǎng)絡結構的選擇，局部最優(yōu)問題 等，因此神經(jīng)網(wǎng)絡預測方法也在不斷的發(fā)展與完善。
[0003] 支持向量機是一類新型機器學習方法，由于其出色的學習性能，已在模式識別、時 間序列預測等方面取得了越來越多的進展，但是由于支持向量機的訓練算法可以歸結為求 解受約束的二次規(guī)劃（QP)問題，對于具有較多訓練樣本的情況而言，訓練支持向量機需要 很大的內存和很長的運行時間，因此限制了其實際應用。
[0004] 近些年支持向量機技術得到了廣泛的應用，但是其預測的精度主要受到了兩方面 的影響，一方面是歷史和樣本信息的影響，影響了后續(xù)訓練和測試的速度和精度，另一方面 是支持向量機參數(shù)的選擇，直接影響了預測的精度，這兩方面也是支持向量機技術應用中 遇到的兩個比較突出的難題。因此，本發(fā)明提出一種基于協(xié)同挖掘關聯(lián)技術（CMA)/最小 優(yōu)化算法（SM0)的支持向量機電力負荷預測方法。

【發(fā)明內容】

[0005] 本發(fā)明的目的在于提出一種基于CMA/SM0的支持向量機電力負荷預測方法，其特 征在于，包括以下步驟：
[0006] 1)讀取由氣象信息、氣溫信息、日照信息、節(jié)假日信息、節(jié)氣信息、電力負荷信息組 成的樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術對樣本數(shù)據(jù)進行賦值聚類，形成挖掘主題數(shù)據(jù)庫；
[0007] 2)利用基于弱化熵優(yōu)化的協(xié)同挖掘關聯(lián)技術分析挖掘主題數(shù)據(jù)庫中電力負荷信 息與其他信息的關系并求出電力負荷信息與其他信息的關聯(lián)關系度，形成電力負荷信息與 其他信息的關聯(lián)關系數(shù)據(jù)庫；
[0008] 3)利用最小優(yōu)化算法優(yōu)化支持向量機回歸函數(shù)，得到支持向量機回歸函數(shù)中最優(yōu) 化的懲罰因子C、最優(yōu)化的核函數(shù)〇、最優(yōu)化的估計精度S;利用w〇lfe對偶理論求得支持 向量機回歸函數(shù)中的拉格朗日乘子和閾值；
[0009] 4)在關聯(lián)關系數(shù)據(jù)庫中選擇訓練樣本，將最優(yōu)化的懲罰因子C、最優(yōu)化的核函數(shù) 0、最優(yōu)化的估計精度s、拉格朗日乘子和閾值作為輸入?yún)?shù)，通過極小化目標函數(shù)確定針 對訓練樣本的支持向量機回歸函數(shù)；
[0010] 5)將氣象信息、氣溫信息、日照信息、節(jié)假日信息、節(jié)氣信息作為步驟4)確定的針 對訓練樣本的支持向量機回歸函數(shù)的輸入，進行電力負荷預測；
[0011] 6)判斷最優(yōu)化的估計精度S是否小于0.0001，如果最優(yōu)化的估計精度S小于 〇.0001，用均方根相對誤差作為評價指標進行預測結果分析，結束電力負荷預測；否則，返 回步驟3)。
[0012] 本發(fā)明的有益效果是基于CMA/SMO的支持向量機電力負荷預測方法克服了電力 負荷影響因素多且復雜導致的電力負荷發(fā)展趨勢預測難以準確把握的問題，有效提高了電 力負荷預測的速度與精度，具有積極的實際應用意義。
【附圖說明】
[0013] 圖1為基于CMA/SMO的支持向量機電力負荷預測方法流程圖。
[0014] 圖2為電力負荷預測結果比較圖。
【具體實施方式】
[0015] 本發(fā)明提出一種基于CMA/SMO的支持向量機電力負荷預測方法，下面結合附圖和 具體實施例對本發(fā)明作詳細說明。
[0016] 圖1所示為基于CMA/SMO的支持向量機電力負荷預測方法流程圖，包括以下步 驟：
[0017] 1)讀取由氣象信息、氣溫信息、日照信息、節(jié)假日信息、節(jié)氣信息、電力負荷信息組 成的樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術對樣本數(shù)據(jù)進行賦值聚類，形成挖掘主題數(shù)據(jù)庫；
[0018] 2)利用基于弱化熵優(yōu)化的協(xié)同挖掘關聯(lián)技術分析挖掘主題數(shù)據(jù)庫中電力負荷信 息與其他信息的關系并求出電力負荷信息與其他信息的關聯(lián)關系度，形成電力負荷信息與 其他信息的關聯(lián)關系數(shù)據(jù)庫；
[0019] 3)利用最小優(yōu)化算法優(yōu)化支持向量機回歸函數(shù)，得到支持向量機回歸函數(shù)中最優(yōu) 化的懲罰因子C、最優(yōu)化的核函數(shù)〇、最優(yōu)化的估計精度S;利用wolfe對偶理論求得支持 向量機回歸函數(shù)中的拉格朗日乘子和閾值；
[0020] 4)在關聯(lián)關系數(shù)據(jù)庫中選擇訓練樣本，將最優(yōu)化的懲罰因子C、最優(yōu)化的核函數(shù) 〇、最優(yōu)化的估計精度S、拉格朗日乘子和閾值作為輸入?yún)?shù)，通過極小化目標函數(shù)確定針 對訓練樣本的支持向量機回歸函數(shù)；
[0021] 5)將氣象信息、氣溫信息、日照信息、節(jié)假日信息、節(jié)氣信息作為步驟4)確定的 針對訓練樣本的支持向量機回歸函數(shù)的輸入，進行電力負荷預測；
[0022] 6)判斷最優(yōu)化的估計精度S是否小于0.0001，如果最優(yōu)化的估計精度S小于 0.0001，用均方根相對誤差作為評價指標進行預測結果分析，結束電力負荷預測；否則，返 回步驟3)。
[0023] 將陜西省某市自2011年4月22日0時至2012年4月12日12時期間的電力負 荷數(shù)據(jù)作為訓練樣本，2012年4月15日13時至2012年4月28日24時的電力負荷數(shù)據(jù) 作為測試樣本；分別利用基于CMA/SMO的支持向量機（SVM)電力負荷預測方法、單一支持向 量機（SVM)電力負荷預測方法、BP神經(jīng)網(wǎng)絡電力負荷預測方法對該市2012年5月10日到 2012年5月21日連續(xù)12個工作日10:00的電力負荷進行預測；相關參數(shù)：1彡C彡10000， 0? 0001彡松弛因子e彡〇?l，〇. 〇1彡0彡800,S彡〇? 0001 ;用均方根相對誤差（RMSRE) 作為評價指標進行預測結果分析，預測結果分析表如表1所示；電力負荷預測速度比較如 表2所示。
[0024] 表1預測結果分析表（％)
[0025]
[0026] 表2電力負荷預測速度比較
[0027]
[0028] 結合Matlab7. 1應用工具，利用3種電力負荷預測方法得到的電力負荷預測結果 比較圖如圖2所示；由表1、表2、圖2可見：
[0029] (1)利用基于CMA/SM0的支持向量機（SVM)電力負荷預測方法對電力負荷進行預 測，預測速度僅為25秒，均方根相對誤差（RMSRE)為2.36% ;利用單一支持向量機（SVM) 電力負荷預測方法對電力負荷進行預測，預測速度為166秒，是基于CMA/SM0的支持向量機 (SVM)電力負荷預測方法的7倍多，均方根相對誤差（RMSRE)為3. 01% ;利用BP神經(jīng)網(wǎng)絡 電力負荷預測方法對電力負荷進行預測，訓練速度雖然最快，但是均方根相對誤差（RMSRE) 比基于CMA/SM0的支持向量機（SVM)電力負荷預測方法高出了 1. 32個百分點，BP神經(jīng)網(wǎng)絡 電力負荷預測方法與基于CMA/SM0的支持向量機（SVM)電力負荷預測方法相比并無明顯優(yōu) 勢。基于CMA/SM0的支持向量機（SVM)電力負荷預測方法的電力負荷預測精度是最優(yōu)的。
[0030] (2)均方根相對誤差（RMSRE)的絕對值不大于3%說明電力負荷預測精度比較合 理，以均方根相對誤差（RMSRE)絕對值不大于3%作為標準來衡量電力負荷預測水平，由 圖2所示，利用基于CMA/SM0的支持向量機（SVM)電力負荷預測方法對電力負荷進行預 測，其電力負荷預測結果的12個點中有10個點的均方根相對誤差絕對值小于3%，最小為 1. 11 %，是3種電力負荷預測方法中最優(yōu)的。
[0031] 以上所述，僅為本發(fā)明較佳的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此， 任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換， 都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍 為準。
【主權項】
1. 一種基于CMA/SMO的支持向量機電力負荷預測方法，其特征在于，包括以下步驟： 1) 讀取由氣象信息、氣溫信息、日照信息、節(jié)假日信息、節(jié)氣信息、電力負荷信息組成的 樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術對樣本數(shù)據(jù)進行賦值聚類，形成挖掘主題數(shù)據(jù)庫； 2) 利用基于弱化熵優(yōu)化的協(xié)同挖掘關聯(lián)技術分析挖掘主題數(shù)據(jù)庫中電力負荷信息與 其他信息的關系并求出電力負荷信息與其他信息的關聯(lián)關系度，形成電力負荷信息與其他 信息的關聯(lián)關系數(shù)據(jù)庫； 3) 利用最小優(yōu)化算法優(yōu)化支持向量機回歸函數(shù)，得到支持向量機回歸函數(shù)中最優(yōu)化的 懲罰因子C、最優(yōu)化的核函數(shù)〇、最優(yōu)化的估計精度S ;利用wolfe對偶理論求得支持向量 機回歸函數(shù)中的拉格朗日乘子和閾值； 4) 在關聯(lián)關系數(shù)據(jù)庫中選擇訓練樣本，將最優(yōu)化的懲罰因子C、最優(yōu)化的核函數(shù)〇、最 優(yōu)化的估計精度S、拉格朗日乘子和閾值作為輸入?yún)?shù)，通過極小化目標函數(shù)確定針對訓 練樣本的支持向量機回歸函數(shù)； 5) 將氣象信息、氣溫信息、日照信息、節(jié)假日信息、節(jié)氣信息作為步驟4)確定的針對訓 練樣本的支持向量機回歸函數(shù)的輸入，進行電力負荷預測； 6) 判斷最優(yōu)化的估計精度S是否小于0.0001，如果最優(yōu)化的估計精度S小于 〇. 0001，用均方根相對誤差作為評價指標進行預測結果分析，結束電力負荷預測；否則，返 回步驟3)。
【專利摘要】本發(fā)明公開了屬于電力負荷預測技術領域的一種基于CMA/SMO的支持向量機電力負荷預測方法；讀取樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術對樣本數(shù)據(jù)進行賦值聚類，形成挖掘主題數(shù)據(jù)庫；利用基于弱化熵優(yōu)化的CMA形成電力負荷信息與其他信息的關聯(lián)關系數(shù)據(jù)庫；利用最小優(yōu)化算法優(yōu)化支持向量機回歸函數(shù)，得到最優(yōu)化的懲罰因子、核函數(shù)、估計精度，利用wolfe對偶理論求得拉格朗日乘子和閾值；選擇訓練樣本，通過極小化目標函數(shù)確定針對訓練樣本的支持向量機回歸函數(shù)；進行電力負荷預測，最優(yōu)化的估計精度小于0.0001時，用均方根相對誤差作為評價指標進行預測結果分析；有效提高了電力負荷預測的速度與精度，具有積極的實際應用意義。
【IPC分類】G06Q50/06, G06Q10/04
【公開號】CN104992247
【申請?zhí)枴緾N201510405883
【發(fā)明人】袁建普, 王濤, 王永利, 凌云鵬, 賀春光, 李樹水, 馬國真, 胡珀, 張欣悅, 劉鵬, 韓文源, 謝曉琳, 秦偉, 翟廣心
【申請人】國家電網(wǎng)公司, 國網(wǎng)河北省電力公司經(jīng)濟技術研究院, 華北電力大學
【公開日】2015年10月21日
【申請日】2015年7月10日