[发明专利]基于CMA/SMO的支持向量机电力负荷预测方法在审

专利信息
申请号: 201510405883.9 申请日: 2015-07-10
公开(公告)号: CN104992247A 公开(公告)日: 2015-10-21
发明(设计)人: 袁建普;王涛;王永利;凌云鹏;贺春光;李树水;马国真;胡珀;张欣悦;刘鹏;韩文源;谢晓琳;秦伟;翟广心 申请(专利权)人: 国家电网公司;国网河北省电力公司经济技术研究院;华北电力大学
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/06
代理公司: 北京众合诚成知识产权代理有限公司 11246 代理人: 黄家俊
地址: 100031 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 cma smo 支持 向量 机电 负荷 预测 方法
【说明书】:

技术领域

发明属于电力负荷预测技术领域,特别涉及一种基于CMA/SMO的支持向量机电力负荷预测方法。

背景技术

电力系统短期负荷预测对电力系统的可靠和经济运行意义重大,尤其随着电力市场的发展,短期负荷预测越来越受到重视。长期以来国内外学者对负荷预测的理论和方法做了大量的研究,提出了各种各样的预测方法,这些方法大致可分为两大类:一类是以时间序列为代表的传统方法,它们虽然运算简单,计算速度快,但由于模型简单无法模拟复杂多变的电力负荷;一类是以人工智能为代表的新型人工智能方法,人工神经网络法无疑是最引人关注的,但神经网络还存在着许多亟待解决的问题,如网络结构的选择,局部最优问题等,因此神经网络预测方法也在不断的发展与完善。

支持向量机是一类新型机器学习方法,由于其出色的学习性能,已在模式识别、时间序列预测等方面取得了越来越多的进展,但是由于支持向量机的训练算法可以归结为求解受约束的二次规划(QP)问题,对于具有较多训练样本的情况而言,训练支持向量机需要很大的内存和很长的运行时间,因此限制了其实际应用。

近些年支持向量机技术得到了广泛的应用,但是其预测的精度主要受到了两方面的影响,一方面是历史和样本信息的影响,影响了后续训练和测试的速度和精度,另一方面是支持向量机参数的选择,直接影响了预测的精度,这两方面也是支持向量机技术应用中遇到的两个比较突出的难题。因此,本发明提 出一种基于协同挖掘关联技术(CMA)/最小优化算法(SMO)的支持向量机电力负荷预测方法。

发明内容

本发明的目的在于提出一种基于CMA/SMO的支持向量机电力负荷预测方法,其特征在于,包括以下步骤:

1)读取由气象信息、气温信息、日照信息、节假日信息、节气信息、电力负荷信息组成的样本数据,利用数据挖掘技术对样本数据进行赋值聚类,形成挖掘主题数据库;

2)利用基于弱化熵优化的协同挖掘关联技术分析挖掘主题数据库中电力负荷信息与其他信息的关系并求出电力负荷信息与其他信息的关联关系度,形成电力负荷信息与其他信息的关联关系数据库;

3)利用最小优化算法优化支持向量机回归函数,得到支持向量机回归函数中最优化的惩罚因子C、最优化的核函数σ、最优化的估计精度δ;利用wolfe对偶理论求得支持向量机回归函数中的拉格朗日乘子和阈值;

4)在关联关系数据库中选择训练样本,将最优化的惩罚因子C、最优化的核函数σ、最优化的估计精度δ、拉格朗日乘子和阈值作为输入参数,通过极小化目标函数确定针对训练样本的支持向量机回归函数;

5)将气象信息、气温信息、日照信息、节假日信息、节气信息作为步骤4)确定的针对训练样本的支持向量机回归函数的输入,进行电力负荷预测;

6)判断最优化的估计精度δ是否小于0.0001,如果最优化的估计精度δ小于0.0001,用均方根相对误差作为评价指标进行预测结果分析,结束电力负荷预测;否则,返回步骤3)。

本发明的有益效果是基于CMA/SMO的支持向量机电力负荷预测方法克服 了电力负荷影响因素多且复杂导致的电力负荷发展趋势预测难以准确把握的问题,有效提高了电力负荷预测的速度与精度,具有积极的实际应用意义。

附图说明

图1为基于CMA/SMO的支持向量机电力负荷预测方法流程图。

图2为电力负荷预测结果比较图。

具体实施方式

本发明提出一种基于CMA/SMO的支持向量机电力负荷预测方法,下面结合附图和具体实施例对本发明作详细说明。

图1所示为基于CMA/SMO的支持向量机电力负荷预测方法流程图,包括以下步骤:

1)读取由气象信息、气温信息、日照信息、节假日信息、节气信息、电力负荷信息组成的样本数据,利用数据挖掘技术对样本数据进行赋值聚类,形成挖掘主题数据库;

2)利用基于弱化熵优化的协同挖掘关联技术分析挖掘主题数据库中电力负荷信息与其他信息的关系并求出电力负荷信息与其他信息的关联关系度,形成电力负荷信息与其他信息的关联关系数据库;

3)利用最小优化算法优化支持向量机回归函数,得到支持向量机回归函数中最优化的惩罚因子C、最优化的核函数σ、最优化的估计精度δ;利用wolfe对偶理论求得支持向量机回归函数中的拉格朗日乘子和阈值;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国家电网公司;国网河北省电力公司经济技术研究院;华北电力大学,未经国家电网公司;国网河北省电力公司经济技术研究院;华北电力大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201510405883.9/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top