基于cma/smo的支持向量機(jī)電力負(fù)荷預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，特別涉及一種基于CMA/SM0的支持向量機(jī)電 力負(fù)荷預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的可靠和經(jīng)濟(jì)運(yùn)行意義重大，尤其隨著電力市 場(chǎng)的發(fā)展，短期負(fù)荷預(yù)測(cè)越來(lái)越受到重視。長(zhǎng)期以來(lái)國(guó)內(nèi)外學(xué)者對(duì)負(fù)荷預(yù)測(cè)的理論和方法 做了大量的研宄，提出了各種各樣的預(yù)測(cè)方法，這些方法大致可分為兩大類：一類是以時(shí)間 序列為代表的傳統(tǒng)方法，它們雖然運(yùn)算簡(jiǎn)單，計(jì)算速度快，但由于模型簡(jiǎn)單無(wú)法模擬復(fù)雜多 變的電力負(fù)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(luò)法無(wú)疑是最 引人關(guān)注的，但神經(jīng)網(wǎng)絡(luò)還存在著許多亟待解決的問(wèn)題，如網(wǎng)絡(luò)結(jié)構(gòu)的選擇，局部最優(yōu)問(wèn)題 等，因此神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法也在不斷的發(fā)展與完善。
[0003] 支持向量機(jī)是一類新型機(jī)器學(xué)習(xí)方法，由于其出色的學(xué)習(xí)性能，已在模式識(shí)別、時(shí) 間序列預(yù)測(cè)等方面取得了越來(lái)越多的進(jìn)展，但是由于支持向量機(jī)的訓(xùn)練算法可以歸結(jié)為求 解受約束的二次規(guī)劃（QP)問(wèn)題，對(duì)于具有較多訓(xùn)練樣本的情況而言，訓(xùn)練支持向量機(jī)需要 很大的內(nèi)存和很長(zhǎng)的運(yùn)行時(shí)間，因此限制了其實(shí)際應(yīng)用。
[0004] 近些年支持向量機(jī)技術(shù)得到了廣泛的應(yīng)用，但是其預(yù)測(cè)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(xùn)練和測(cè)試的速度和精度，另一方面 是支持向量機(jī)參數(shù)的選擇，直接影響了預(yù)測(cè)的精度，這兩方面也是支持向量機(jī)技術(shù)應(yīng)用中 遇到的兩個(gè)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(guān)聯(lián)技術(shù)（CMA)/最小 優(yōu)化算法（SM0)的支持向量機(jī)電力負(fù)荷預(yù)測(cè)方法。

【發(fā)明內(nèi)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(jī)電力負(fù)荷預(yù)測(cè)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(fù)荷信息組 成的樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行賦值聚類，形成挖掘主題數(shù)據(jù)庫(kù)；
[0007] 2)利用基于弱化熵優(yōu)化的協(xié)同挖掘關(guān)聯(lián)技術(shù)分析挖掘主題數(shù)據(jù)庫(kù)中電力負(fù)荷信 息與其他信息的關(guān)系并求出電力負(fù)荷信息與其他信息的關(guān)聯(lián)關(guān)系度，形成電力負(fù)荷信息與 其他信息的關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)；
[0008] 3)利用最小優(yōu)化算法優(yōu)化支持向量機(jī)回歸函數(shù)，得到支持向量機(jī)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(jì)精度S;利用w〇lfe對(duì)偶理論求得支持 向量機(jī)回歸函數(shù)中的拉格朗日乘子和閾值；
[0009] 4)在關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)中選擇訓(xùn)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(jì)精度s、拉格朗日乘子和閾值作為輸入?yún)?shù)，通過(guò)極小化目標(biāo)函數(shù)確定針 對(duì)訓(xùn)練樣本的支持向量機(jī)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(duì)訓(xùn)練樣本的支持向量機(jī)回歸函數(shù)的輸入，進(jìn)行電力負(fù)荷預(yù)測(cè)；
[0011] 6)判斷最優(yōu)化的估計(jì)精度S是否小于0.0001，如果最優(yōu)化的估計(jì)精度S小于 〇.0001，用均方根相對(duì)誤差作為評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)結(jié)果分析，結(jié)束電力負(fù)荷預(yù)測(cè)；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(jī)電力負(fù)荷預(yù)測(cè)方法克服了電力 負(fù)荷影響因素多且復(fù)雜導(dǎo)致的電力負(fù)荷發(fā)展趨勢(shì)預(yù)測(cè)難以準(zhǔn)確把握的問(wèn)題，有效提高了電 力負(fù)荷預(yù)測(cè)的速度與精度，具有積極的實(shí)際應(yīng)用意義。
【附圖說(shuō)明】
[0013] 圖1為基于CMA/SMO的支持向量機(jī)電力負(fù)荷預(yù)測(cè)方法流程圖。
[0014] 圖2為電力負(fù)荷預(yù)測(cè)結(jié)果比較圖。
【具體實(shí)施方式】
[0015] 本發(fā)明提出一種基于CMA/SMO的支持向量機(jī)電力負(fù)荷預(yù)測(cè)方法，下面結(jié)合附圖和 具體實(shí)施例對(duì)本發(fā)明作詳細(xì)說(shuō)明。
[0016] 圖1所示為基于CMA/SMO的支持向量機(jī)電力負(fù)荷預(yù)測(cè)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(fù)荷信息組 成的樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行賦值聚類，形成挖掘主題數(shù)據(jù)庫(kù)；
[0018] 2)利用基于弱化熵優(yōu)化的協(xié)同挖掘關(guān)聯(lián)技術(shù)分析挖掘主題數(shù)據(jù)庫(kù)中電力負(fù)荷信 息與其他信息的關(guān)系并求出電力負(fù)荷信息與其他信息的關(guān)聯(lián)關(guān)系度，形成電力負(fù)荷信息與 其他信息的關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)；
[0019] 3)利用最小優(yōu)化算法優(yōu)化支持向量機(jī)回歸函數(shù)，得到支持向量機(jī)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(jì)精度S;利用wolfe對(duì)偶理論求得支持 向量機(jī)回歸函數(shù)中的拉格朗日乘子和閾值；
[0020] 4)在關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)中選擇訓(xùn)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(jì)精度S、拉格朗日乘子和閾值作為輸入?yún)?shù)，通過(guò)極小化目標(biāo)函數(shù)確定針 對(duì)訓(xùn)練樣本的支持向量機(jī)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(duì)訓(xùn)練樣本的支持向量機(jī)回歸函數(shù)的輸入，進(jìn)行電力負(fù)荷預(yù)測(cè)；
[0022] 6)判斷最優(yōu)化的估計(jì)精度S是否小于0.0001，如果最優(yōu)化的估計(jì)精度S小于 0.0001，用均方根相對(duì)誤差作為評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)結(jié)果分析，結(jié)束電力負(fù)荷預(yù)測(cè)；否則，返 回步驟3)。
[0023] 將陜西省某市自2011年4月22日0時(shí)至2012年4月12日12時(shí)期間的電力負(fù) 荷數(shù)據(jù)作為訓(xùn)練樣本，2012年4月15日13時(shí)至2012年4月28日24時(shí)的電力負(fù)荷數(shù)據(jù) 作為測(cè)試樣本；分別利用基于CMA/SMO的支持向量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法、單一支持向 量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法、BP神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)方法對(duì)該市2012年5月10日到 2012年5月21日連續(xù)12個(gè)工作日10:00的電力負(fù)荷進(jìn)行預(yù)測(cè)；相關(guān)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(duì)誤差（RMSRE) 作為評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)結(jié)果分析，預(yù)測(cè)結(jié)果分析表如表1所示；電力負(fù)荷預(yù)測(cè)速度比較如 表2所示。
[0024] 表1預(yù)測(cè)結(jié)果分析表（％)
[0025]
[0026] 表2電力負(fù)荷預(yù)測(cè)速度比較
[0027]
[0028] 結(jié)合Matlab7. 1應(yīng)用工具，利用3種電力負(fù)荷預(yù)測(cè)方法得到的電力負(fù)荷預(yù)測(cè)結(jié)果 比較圖如圖2所示；由表1、表2、圖2可見(jiàn)：
[0029] (1)利用基于CMA/SM0的支持向量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法對(duì)電力負(fù)荷進(jìn)行預(yù) 測(cè)，預(yù)測(cè)速度僅為25秒，均方根相對(duì)誤差（RMSRE)為2.36% ;利用單一支持向量機(jī)（SVM) 電力負(fù)荷預(yù)測(cè)方法對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)速度為166秒，是基于CMA/SM0的支持向量機(jī) (SVM)電力負(fù)荷預(yù)測(cè)方法的7倍多，均方根相對(duì)誤差（RMSRE)為3. 01% ;利用BP神經(jīng)網(wǎng)絡(luò) 電力負(fù)荷預(yù)測(cè)方法對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，訓(xùn)練速度雖然最快，但是均方根相對(duì)誤差（RMSRE) 比基于CMA/SM0的支持向量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法高出了 1. 32個(gè)百分點(diǎn)，BP神經(jīng)網(wǎng)絡(luò) 電力負(fù)荷預(yù)測(cè)方法與基于CMA/SM0的支持向量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法相比并無(wú)明顯優(yōu) 勢(shì)?；贑MA/SM0的支持向量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法的電力負(fù)荷預(yù)測(cè)精度是最優(yōu)的。
[0030] (2)均方根相對(duì)誤差（RMSRE)的絕對(duì)值不大于3%說(shuō)明電力負(fù)荷預(yù)測(cè)精度比較合 理，以均方根相對(duì)誤差（RMSRE)絕對(duì)值不大于3%作為標(biāo)準(zhǔn)來(lái)衡量電力負(fù)荷預(yù)測(cè)水平，由 圖2所示，利用基于CMA/SM0的支持向量機(jī)（SVM)電力負(fù)荷預(yù)測(cè)方法對(duì)電力負(fù)荷進(jìn)行預(yù) 測(cè)，其電力負(fù)荷預(yù)測(cè)結(jié)果的12個(gè)點(diǎn)中有10個(gè)點(diǎn)的均方根相對(duì)誤差絕對(duì)值小于3%，最小為 1. 11 %，是3種電力負(fù)荷預(yù)測(cè)方法中最優(yōu)的。
[0031] 以上所述，僅為本發(fā)明較佳的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍 為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于CMA/SMO的支持向量機(jī)電力負(fù)荷預(yù)測(cè)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(fù)荷信息組成的 樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行賦值聚類，形成挖掘主題數(shù)據(jù)庫(kù)； 2) 利用基于弱化熵優(yōu)化的協(xié)同挖掘關(guān)聯(lián)技術(shù)分析挖掘主題數(shù)據(jù)庫(kù)中電力負(fù)荷信息與 其他信息的關(guān)系并求出電力負(fù)荷信息與其他信息的關(guān)聯(lián)關(guān)系度，形成電力負(fù)荷信息與其他 信息的關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)； 3) 利用最小優(yōu)化算法優(yōu)化支持向量機(jī)回歸函數(shù)，得到支持向量機(jī)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(jì)精度S ;利用wolfe對(duì)偶理論求得支持向量 機(jī)回歸函數(shù)中的拉格朗日乘子和閾值； 4) 在關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)中選擇訓(xùn)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(jì)精度S、拉格朗日乘子和閾值作為輸入?yún)?shù)，通過(guò)極小化目標(biāo)函數(shù)確定針對(duì)訓(xùn) 練樣本的支持向量機(jī)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(duì)訓(xùn) 練樣本的支持向量機(jī)回歸函數(shù)的輸入，進(jìn)行電力負(fù)荷預(yù)測(cè)； 6) 判斷最優(yōu)化的估計(jì)精度S是否小于0.0001，如果最優(yōu)化的估計(jì)精度S小于 〇. 0001，用均方根相對(duì)誤差作為評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)結(jié)果分析，結(jié)束電力負(fù)荷預(yù)測(cè)；否則，返 回步驟3)。
【專利摘要】本發(fā)明公開(kāi)了屬于電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域的一種基于CMA/SMO的支持向量機(jī)電力負(fù)荷預(yù)測(cè)方法；讀取樣本數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行賦值聚類，形成挖掘主題數(shù)據(jù)庫(kù)；利用基于弱化熵優(yōu)化的CMA形成電力負(fù)荷信息與其他信息的關(guān)聯(lián)關(guān)系數(shù)據(jù)庫(kù)；利用最小優(yōu)化算法優(yōu)化支持向量機(jī)回歸函數(shù)，得到最優(yōu)化的懲罰因子、核函數(shù)、估計(jì)精度，利用wolfe對(duì)偶理論求得拉格朗日乘子和閾值；選擇訓(xùn)練樣本，通過(guò)極小化目標(biāo)函數(shù)確定針對(duì)訓(xùn)練樣本的支持向量機(jī)回歸函數(shù)；進(jìn)行電力負(fù)荷預(yù)測(cè)，最優(yōu)化的估計(jì)精度小于0.0001時(shí)，用均方根相對(duì)誤差作為評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)結(jié)果分析；有效提高了電力負(fù)荷預(yù)測(cè)的速度與精度，具有積極的實(shí)際應(yīng)用意義。
【IPC分類】G06Q50/06, G06Q10/04
【公開(kāi)號(hào)】CN104992247
【申請(qǐng)?zhí)枴緾N201510405883
【發(fā)明人】袁建普, 王濤, 王永利, 凌云鵬, 賀春光, 李樹(shù)水, 馬國(guó)真, 胡珀, 張欣悅, 劉鵬, 韓文源, 謝曉琳, 秦偉, 翟廣心
【申請(qǐng)人】國(guó)家電網(wǎng)公司, 國(guó)網(wǎng)河北省電力公司經(jīng)濟(jì)技術(shù)研究院, 華北電力大學(xué)
【公開(kāi)日】2015年10月21日
【申請(qǐng)日】2015年7月10日