[發明專利]一種基于SVM的短期電網負荷預測方法

在審

• 申請號: 201810128638.1
• 申請日: 2018-02-08
• 公開（公告）號: CN108334988A
• 公開（公告）日: 2018-07-27
• 發明（設計）人: 呂欣;牟建紅;毛鋒;雷將鋒;馬北玲;曾慶基;曹祺;唐軍;謝琴
• 申請（專利權）人: 呂欣
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 上海信好專利代理事務所(普通合伙) 31249
• 代理人: 朱成之

本發明提供一種基于SVM短期電網負荷預測方法，首先通過數據爬取或官方合作等手段獲取城市的天氣信息；隨后，對所有的特征屬性進行主成分分析，將原始特征轉換為有效的組合特征；最后，利用支持向量機對這些特征屬性和電網負荷之間的關聯關系進行學習并達到預測的效果。采用本發明方法能夠較為準確的預測未來一天的電網負荷變化趨勢，使得調度人員能夠參考變化趨勢，結合已有調度經驗，對電力分配進行合理調度，減少用電成本，具有重要的經濟和社會意義。

技術領域

本發明涉及一種電網負荷預測方法，尤其是一種基于支持向量機SVM的短期電網負荷預測方法，屬于信息技術領域。

背景技術

短期電網負荷預測一般主要指對未來1天至1周的電力負荷進行預測，對電網負荷的預測可有效指導電力的分配，緩解電力網絡的輸送壓力，其預測的精度將直接影響電力市場下各運營商的經濟成本，在現代電力管理中占有重要地位。準確的電力負荷預測可以保證電網的安全穩定和經濟運行，優化電力系統調度，降低發電機組的生產成本，是實施電網優化控制的重要前提，在發展低碳經濟的時代背景下具有重要的實際意義。

短期電力負荷波動較大，具有明顯的趨勢性和周期性，受溫度、風力、降水等多方面因素的影響，負荷數據存在顯著的突變結構。目前，傳統的負荷預測方法包括回歸分析法、時間序列法、趨勢外推法等，這些方法多采用數學表達式的方式來描述預測模型，難以滿足電力負荷周期性、時變性的要求；現代預測方法主要有灰色預測法、模糊預測法等，由于電力負荷本身特征復雜，特征之間的非線性關聯關系，致使此類方法易陷入局部極小值，影響其預測精度。人工神經網絡模型得到廣泛應用，但此類模型大多不考慮氣象因素，同時，BP網絡學習算法實際利用梯度下降法調節權重使目標函數最小，而目標函數僅僅是給定輸入和相應輸出差的平方和，導致BP網絡過分強調學習，泛化能力不強。而支持向量機SVM的不同在于，對未來樣本具有較好的泛化性能。SVM的一個顯著優點在于它的訓練等價于解決一個線性約束的二次規劃問題，存在唯一解。目前SVM已經擴展為解決非線性回歸預測問題。

發明內容

針對上述現有技術的不足，本發明提供一種基于SVM的短期電網負荷預測方法，能夠較為準確的預測某市未來一天的電力負荷趨勢，為電力調度人員平衡調度提供合理有效的指導。

為了達到上述目的，本發明的技術方案在于提供一種基于SVM的短期電網負荷預測方法，包含以下過程：

獲取待預測地的電力負荷相關數據，獲取待預測地的天氣數據進行主成分分析得到有效的線性無關的特征，確定影響電網負荷的特征屬性；

確定支持向量機的預測模型中的線性判別函數和判別面，利用支持向量機對特征屬性和電網負荷之間的關聯關系進行學習；

根據待預測地的電網總負荷及工業總負荷的歷史數據的規律進行調參，將由調參確定的最優參數作為支持向量機的輸入，對電網負荷進行預測。可選地，獲取待預測地在設定日期范圍內的天氣數據，包含每天8個時間節點的多個原始特征屬性；

將每天8個時間節點的天氣數據以15分鐘的時間間隔擴展為96個時間點；對多個原始特征屬性采用主成分分析進行降維；

將日期對應的星期信息以及每天內的時刻信息加入到特征信息中。

可選地，降維后天氣數據的特征屬性，包含溫度、水平大氣壓、平均海平面大氣壓、氣壓趨勢、觀測前三小時內大氣壓的變化。

可選地，獲取待預測地在設定日期范圍內的電力負荷相關數據，進行歸一化和降噪處理；所述電力負荷相關數據包含電網總負荷、工業總負荷；將已有電網總負荷的數據集作為樣本集，將缺少電網總負荷的數據集作為預測集。

可選地，基于平均值方法對數據集中的異常值進行替換：對于預測集中工業總負荷為異常值的時刻，以該時刻所在日期之前設定天數內同一時刻的工業總負荷的平均值，對異常值進行替換。