[發明專利]一種電力系統預測的方法和裝置

在審

• 申請號: 201811113675.1
• 申請日: 2018-09-25
• 公開（公告）號: CN109118025A
• 公開（公告）日: 2019-01-01
• 發明（設計）人: 劉勝偉;黃信
• 申請（專利權）人: 新智數字科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/12;G06K9/62
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 楊樂

本發明公開了一種電力系統預測的方法和裝置，該方法包括：S1：初始化種群參數，生成種群個體；S2：將S1中的參數賦值給支持向量機，計算種群中每個個體的適應度；S3：根據個體適應度，計算種群個體的選擇概率，并以該選擇概率進行個體選擇；S4：對S3選擇的種群個體進行交叉、變異；S5：判斷當前種群是否達到訓練終止條件，若是，則獲得優化后的支持向量機，并執行S6；否則，執行S3；S6：將訓練樣本輸入到優化后的支持向量機進行訓練獲得預測模型。本發明有效地提高了支持向量機進行負荷預測的效率，而且提高了選取的參數的準確性，從而降低支持向量機模型在實際預測時的預測誤差，提高負荷預測的精度。

技術領域

本發明涉及計算機算法技術領域，特別涉及一種電力系統預測的方法和裝置。

背景技術

科學的預測是正確決策的依據和保證。負荷預測是電力系統領域的一個傳統研究問題，是指從已知的電力系統、經濟、社會、氣象等情況出發，通過對歷史數據的分析和研究，探索事物之間的內在聯系和發展變化規律，對負荷發展做出預先估計和推測。負荷預測是電力系統規劃、計劃、用電、調度等部門的基礎工作，其重要性早已被人們所認識。

負荷預測本質上是對功率曲線進行擬合與回歸，由于實時功率曲線受電力系統、經濟、社會、氣象等諸多因素影響，一般表現為復雜非線性特點，宜采用對復雜非線性特性具備較強學習能力的預測模型。

目前應用較多且比較成熟的預測方法，主要為支持向量機(Support VectorMachine，SVM)等。SVM同時考慮經驗風險最小和結構風險最小，使模型具有較強的推廣性，在小樣本識別方面有較大優勢，且SVM有嚴格的數學理論基礎，其決策為全局最優。

SVM參數的選取策略目前尚沒有統一的方法，SVM參數選取的優劣將直接影響模型的擬合和回歸能力。現有技術中，較為常用的SVM參數優化算法包括網格搜索算法、粒子群算法等。利用這些算法雖然可以選取SVM參數，但并不能得到特別合適的參數值，并且搜索到最優解或滿意解的速度太慢，依據選取的參數進行負荷預測的效率低。

發明內容

本發明實施例提供了一種電力系統預測的方法和裝置，不僅能夠獲得更加優化的參數值，并且解決了支持向量機搜索到最優解或滿意解的速度太慢導致負荷預測效率低的問題。

第一方面，本發明實施例提供了一種電力系統預測的方法，該方法包括：

S1：初始化種群參數，生成種群個體；

S2：將S1中的參數賦值給支持向量機，計算種群中每個個體的適應度；

S3：根據個體適應度，計算種群個體的選擇概率，并以該選擇概率進行個體選擇；

S4：對S3選擇的種群個體進行交叉、變異；

S5：判斷當前種群是否達到訓練終止條件，若是，則獲得優化后的支持向量機，并執行S6；否則，執行S3；

S6：將訓練樣本輸入到優化后的支持向量機進行訓練獲得預測模型。

優選地，步驟S2具體為將S1中的參數賦值給最小二乘機支持向量機，獲得預測值，并計算每個個體的適應度，計算公式為：

其中，f_i為第i個個體的適應度；為預測值；y_i為真實值。

優選地，步驟S3中計算種群個體的選擇概率的公式為：

其中，P_i為第i個個體的選擇概率。

優選地，步驟S4中種群個體進行交叉的概率為：