[發明專利]一種基于迭代聚集網格搜索算法的支持向量回歸模型

在審

• 申請號: 202011286631.6
• 申請日: 2020-11-17
• 公開（公告）號: CN112330044A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 車金星;冼華鋒;劉娜;葉雨
• 申請（專利權）人: 南昌工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/10
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

本發明公開了一種基于迭代聚集網格搜索算法的支持向量回歸模型(IFGS?SVR)。本發明提出了一種迭代聚集網格搜索(IFGS)算法來解決SVR超參數的詳細選擇問題，它通過檢查每個子區域的性能來搜索最優子區域，從而避免了網格設置的大量浪費。通過使用中國江西省某縣的一個真實的電力負荷數據集，將形成的IFGS?SVR模型與其他的SVR模型進行比較，這些模型的參數是通過網格搜索(GS?SVR)、粒子群優化(PSO?SVR)、模擬退火(SA?SVR)、差分進化(DE?SVR)、蟻群優化(ACO?SVR)和遺傳算法(GA?SVR)獲得的。實驗結果揭示了IFGS?SVR模型在精度和運行時間上優于其他模型。

技術領域

本發明涉及短期電力負荷預測技術領域，尤其涉及一種基于迭代聚集網格搜索算法的支持向量回歸模型。

背景技術

短期電力負荷預測是全球關注的問題，因為世界各地的電力公司都有責任滿足其用戶的電力需求。準確的負荷預測不僅是制定電價的基礎，也是規劃、管理和運營供電系統的必要條件。由于電能的產生和消耗是同步完成的，這就要求兩者必須處于平衡狀態。若供電不足，則會導致小面積停電概率；若供電過量，則會導致電能的浪費。因此，準確的電力負荷預測節約了不必要的用電浪費，減少了電力系統相關資源的浪費，符合經濟的可持續發展。短期負荷預測為電力公司的有效管理和社會的穩定運行提供了有力的保障。因此，提高短期電力負荷預測的準確性具有重要的現實意義。

電力負荷預測是指綜合考慮各種因素(經濟、政治、環境、歷史負荷和日類型等)對負荷消耗行為的影響，從而分析未來負荷消耗行為的發展趨勢。一般地，電力負荷預測大概有兩種主要方法，包括統計方法和人工智能方法。統計方法，如自回歸移動平均(ARMA)、自回歸差分移動平均(ARIMA)、指數平滑、線性回歸等，與人工智能方法相比，這些方法建模相對簡單，不需要復雜的參數選擇過程，或者可以使用默認參數來獲得良好的效果。統計方法基于統計分析技術，對于樣本量小、關系簡單的數據，可以快速獲得良好的預測效果。如今，電力負荷受多種因素的影響而呈現出非線性和隨機性模式，這使在建立預測模型時增加了模型的復雜度。因此，簡單的統計方法逐漸不適合現代社會的負荷預測。

人工智能方法的獨特特點使它們能夠充分了解電力負荷與其建模中使用的變量之間的潛在的非線性關系。人工智能方法包括基于知識的專家系統、模糊推理、人工神經網絡(ANN)和支持向量回歸(SVR)。其中，ANN和SVR因其處理非線性數據的強大能力而受到廣泛關注。因此，ANN和SVR被許多學者所采用，并與其他技術相結合來提高預測性能。Khwaja等人提出了一種將bagging和boosting技術相結合的神經網絡模型，并證明該方法與現有的負荷預測方法相比，減少了預測誤差。一些研究人員基于特定的建筑物將神經網絡的性能與ARIMA模型進行了比較，發現神經網絡的預測精度比ARIMA高22.6％。神經網絡得到了進一步發展，Chitalia等人提出了一個用于不同國家的不同類型的商業建筑負荷預測的遞歸神經網絡框架。Huang等人提出了一個用于新英格蘭地區的卷積神經網絡概率預測模型。然而，神經網絡中有許多參數需要確定，如層數、隱藏層的神經元數、激活函數和學習率等，如果這些參數選擇不當，可能存在欠擬合或者過擬合的風險。

SVR作為人工智能方法的主要代表，與神經網絡相比，它具有更好的泛化能力。SVR的最初版本是支持向量機(SVM)，為了用于回歸，從而擴展出了回歸版本。SVR已被廣泛應用于現實生活中，并在滲透率估計，風速預測，空氣質量預測，COVID-19病例預測等方面表現出色。SVR的最優性能和非線性核變換在很大程度上取決于其參數設置，但該過程的復雜度為O(N^3)(N是訓練數據的個數)。因此，在許多研究中，SVR參數是研究的關鍵，這也是本發明的主要發明內容之一。學者們將一些參數優化技術與SVR相結合進行建模，從而取得了較好的效果。Wang等人提出了一種結合差分進化(DE)算法的SVR模型用于年負荷預測，結果表明該模型的性能優于bp神經網絡模型和回歸模型。Yang等人提出了一種基于支持向量回歸的序列網格方法(SGA-SVR)，證明了該模型比默認參數的SVR模型具有更高的性能。