[发明专利]一种电力最大负荷小样本预测方法

说明书

技术领域

本发明涉及一种利用小样本预测电网年最大负荷的方法，属于输配电技术领域。

背景技术

电网年最大负荷预测是电力系统规划和经济运行的基础，对于确定电网中长期规划、机组的启停运行和备用容量等均有密切关系。随着电力工业的不断发展，对负荷预测的精度要求越来越高。负荷预测相关模型可以分为三类：经典预测模型、计量相关预测模型和智能技术相关预测模型。经典预测模型计算简单，但预测误差相对较高；基于人工智能和计量相关的预测方法计算过程相对复杂，含义不明晰，且都需要较大的数据样本，才能对事物未来发展趋势进行科学合理的模拟和预测。考虑到年最大负荷数据有限，无法获取到大样本数据，因此，如何根据小样本数据进行年最大负荷预测是负荷预测工作中需要解决的一个关键问题。年最大负荷预测模型要能够充分利用有限的数据，得到具有满意预测精度的结果，同时能够有效降低预测风险，这样才能相对准确地衡量年最大负荷未来的变化趋势。

支持向量机(SupportVectorMachine，SVM)是由Vapnik等人在统计学理论基础上所提出的一种较新的计算学习方法，它在处理小样本、非线性和高维模式识别方面有突出的优势。其基本思想是把输入空间的数据通过非线性映射对应到一个高维特征空间，从而将实际问题转换为带有不等式约束的二次规划问题。最小二乘支持向量机(LeastSquaresSupportVectorMachines，SSVM)是SVM的一种扩展改进形式，采用等式约束替代SVM中的不等式约束，将二次规划转变为等式方程组，避免了求解耗时的二次规划问题，从而提高了求解效率。LSSVM模型存在的问题是，核函数宽度σ和误差惩罚因子C对LSSVM的学习和泛化能力影响较大，预测精度依赖于参数的合理选择。

和声搜索算法(HarmonySearchAlgorithm，HSA)是Geem在2001年受到音乐和声现象启发而提出的一种新颖的优化算法，该算法的优点主要有：寻优速度较快、算法适应性强、稳定性好、算法原理较简单等。但是和声优化算法受到和声库(HarmonyMemory，HM)参数和新解生成方式的影响，在处理复杂问题时容易出现局部搜索能力差，收敛精度不高等问题。量子理论是Benioff和Feynman融合量子理论和信息科学而提出的，采用量子比特、态叠加及坍缩等概念实现并行处理。受量子理论的启发，融合量子和和声搜索理论的量子和声搜索算法(QuantumHarmonySearchAlgorithm，QHSA)，能够有效地提高收敛速度、泛化能力和优化性能。QHSA采用量子比特表示和声库内的和声向量，有效地提高每个和声向量的信息携带量；同时，利用塌缩理论对叠加态进行测量；并采用自适应的和声策略更新量子相位，避免常见查询表方式对搜索效率的影响。

利用最小二乘支持向量机(LSSVM)预测模型对电网年最大负荷进行预测，同时采用量子和声优化算法寻找LSSVM模型中σ和C的最优值，可以避免参数选择的盲目性，从而提高小样本预测精度。然而到目前为止还没有类似的预测方法。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种基于量子和声搜索优化算法的LSSVM电力最大负荷小样本预测方法，以提高电力最大负荷的预测精度。

本发明所述问题是以下述技术方案解决的：

一种电力最大负荷小样本预测方法，所述方法包括以下步骤：

a.采集电网年最大负荷历史数据，将其中的部分数据作为训练样本，其余数据作为测试样本，并确定偏最小二乘支持向量机(LSSVM)预测模型的输入变量；

b.定义优化问题，初始化量子和声算法参数

优化问题如下所示：