專利名稱：一種短期電力負荷預測方法
技術領域：
本發(fā)明涉及一種預測方法，尤其涉及ー種短期電カ負荷預測方法，屬于電カ負荷領域。
背景技術：
電カ負荷預測是電カ系統(tǒng)領域的ー個重要的研究問題，它是指從已知的電カ系統(tǒng)、經(jīng)濟、社會、氣象等情況出發(fā)，通過對歷史數(shù)據(jù)的分析和研究，探索電カ負荷之間的內(nèi)在聯(lián)系和發(fā)展變化規(guī)律，對負荷發(fā)展做出預先估計和推測.
科學的預測是正確決策的依據(jù)和保證.電カ負荷預測是電カ調(diào)度中ー項非常重要的內(nèi)容，是電カ管理系統(tǒng)的重要組成部分，是電網(wǎng)能夠安全、經(jīng)濟運行的前提.電カ系統(tǒng)的穩(wěn)定運行要求發(fā)電量能緊跟系統(tǒng)負荷的變化，電能必須能夠平衡線路負荷，如果不事先預測負荷或負荷預測不準，將會導致大量電能的浪費.因此準確預測負荷不但對系統(tǒng)運行和生產(chǎn)費用具有重要影響，而且對確定日運行方式有關鍵作用.此外，隨著電力改革的深化，電カ市場的進ー步開放，高質(zhì)量的負荷預測愈顯得重要和迫切.電カ負荷預測將直接影響電カ系統(tǒng)的生產(chǎn)計劃、運行方式以及電力系統(tǒng)的優(yōu)化調(diào)度.但無論是傳統(tǒng)的預測方法還是現(xiàn)代的方法，它們都是在獲得預測對象的歷史變化規(guī)律后，將這種變化規(guī)律延伸以預測未來。傳統(tǒng)方法模型簡單，預測速度快，但很難描述模型與負荷影響因素之間的非線性關系?，F(xiàn)代的智能預測方法如神經(jīng)網(wǎng)絡，支持向量機等通過借鑒人腦對信息的處理過程而建立的數(shù)學方法，具有良好的學習能力和便于處理負荷及影響因素之間的關系，而得到廣泛應用。支持向量機(Support Vector Machine, SVM)作為新的機器學習技術,采用結(jié)構(gòu)風險最小化原則，能根據(jù)有限的樣本信息，在模型的復雜度和學習能力之間尋求最佳折中，并將問題最終轉(zhuǎn)化為求解凸二次規(guī)劃問題。最小ニ乘支持向量機(least squares supportvector machines, LS-SVM)采用與SVM不同的損失函數(shù),用等式約束代替了不等式約束，同時最小化誤差的平方項，由于所求解的是線性方程組，因此使問題得到了簡化，明顯提高了運行效率，所以LS-SVM是對SVM的有效改進。LS-SVM回歸的基本原理為給定樣本數(shù)據(jù)集Xk e Rn, yk e RLS-SVM用如下形式的回歸函數(shù)對未知函數(shù)進行估計，
/(χ)=(ω,φ(χ))+ 上述函數(shù)的估計問題轉(zhuǎn)化為如下優(yōu)化問題
II NναιηΑω, ) = -\\ω\\- +-γΣ^-
扮知22 k:\s.t.yk = (ω,φ(χ^)) + 3+ ek, k=l,…N (I)其中—Aか表示內(nèi)積、是權(quán)值向量，φ(Λ·>是把輸入空間映射到高維線性特征空間的非線性函數(shù)，特征空間維數(shù)nh可以無窮大，閥值b e R，偏差變量ek e R，懲罰參數(shù)Y彡O。為求優(yōu)化問題(I)的解，構(gòu)造Lagrangian函數(shù)
權(quán)利要求
1.ー種短期電カ負荷預測方法，其特征在于，具體包括以下步驟 步驟I :選取當前時刻之前的40日的負荷數(shù)據(jù)及天氣數(shù)據(jù)分別作為訓練樣本數(shù)據(jù)和預測樣本數(shù)據(jù)； 步驟2 :對樣本數(shù)據(jù)進行預處理，歸ー化，使得所有數(shù)據(jù)處于
之間； 步驟3:選取參數(shù)(Y，(O作為和聲向量，運用和聲捜索算法計算產(chǎn)生新和聲(λ '，σ ' ) ； Y為最小ニ乘支持向量機懲罰參數(shù)，O為核寬度參數(shù) 步驟4 :計算目標評價函數(shù)值，確定最大目標評價函數(shù)值所對應的和聲向量； 步驟5 :更新迭代次數(shù)k=k+l，判斷是否k>NI ； 步驟6 :將得到的最優(yōu)和聲(Υ(ι，σ0)代入最小ニ乘支持向量機模型中，利用訓練樣本進行訓練，進一歩進行負荷預測。
2.根據(jù)權(quán)利要求I所述的負荷預測方法，其特征在干，步驟4所述的確定最大目標評價函數(shù)值所對應的和聲向量，具體步驟如下 步驟4. I:如果新和聲向量(Y'，σ')的目標評價函數(shù)值小于和聲記憶庫中的最大值，則新和聲向量(Y '，σ ')替換和聲記憶庫中的最大目標評價函數(shù)值所對應的和聲向量; 步驟4. 2 :如果新和聲向量(Y '，σ ')的目標評價函數(shù)值大于和聲記憶庫中的最大值，則和聲記憶庫中的最大目標評價函數(shù)值所對應的和聲向量為原和聲向量。
3.根據(jù)權(quán)利要求2所述的負荷預測方法，其特征在于，步驟5具體包括以下兩種情況，若k>NI，則搜索停止，選取HM中最小目標函數(shù)值的和聲向量為最優(yōu)和聲(Ytl, σ0);否則，返回步驟3。
4.根據(jù)權(quán)利要求3所述的負荷預測方法，其特征在于，步驟2所述歸ー化公式如下 式中Lmax，Lmin分別為訓練樣本中負荷的最大、最小值；/為訓練樣本中的負荷歸ー值；Lt為訓練樣本中的不同時間的負荷值；t為時間，范圍為I到24。
5.根據(jù)權(quán)利要求I至4任ー項所述的負荷預測方法，其特征在于，所述步驟6的負荷預測采用如下公式其中，K(x, xk) = exp (- I X-XkI |2/2 σ 2)，χ，xk e Rn, ak e R 為拉格郎日乘子，b e R 為閥值，所述σ為核寬度。這樣，LS-SVM將二次規(guī)劃問題轉(zhuǎn)化成線性方程組求解問題，而且其調(diào)整參數(shù)比SVM減少了ー個，其調(diào)整參數(shù)包括懲罰參數(shù)Y和核寬度參數(shù)σ。
全文摘要
本發(fā)明所述一種短期電力負荷預測方法，包括步驟1選取當前時刻之前的40日的負荷數(shù)據(jù)及天氣數(shù)據(jù)分別作為訓練樣本數(shù)據(jù)和預測樣本數(shù)據(jù)；步驟2對樣本數(shù)據(jù)進行預處理，歸一化，使得所有數(shù)據(jù)處于
之間；步驟3選取參數(shù)(γ,σ)作為和聲向量，運用和聲搜索算法計算產(chǎn)生新和聲(γ′,σ′)；步驟4計算目標評價函數(shù)值，確定最大目標評價函數(shù)值所對應的和聲向量；步驟5更新迭代次數(shù)k=k+1,判斷是否k>NI；步驟6將得到的最優(yōu)和聲(γ0,σ0)代入最小二乘支持向量機模型中，利用訓練樣本進行訓練，進一步進行負荷預測。本發(fā)明有效提高了負荷預測的精度。
文檔編號G06F19/00GK102682220SQ201210153859
公開日2012年9月19日 申請日期2012年5月17日 優(yōu)先權(quán)日2012年5月17日
發(fā)明者劉曉華, 高榮 申請人:魯東大學