[发明专利]一种电力系统数据挖掘与预测整合方法

说明书

本发明公开一种电力系统数据挖掘与预测整合方法，其基于独立成分分析与支持向量机回归的结合。该方法包括输入训练样本数据并使用ICA进行特征提取；PSO初始化，设定加速因子c1和c2，惯性权值w，最大进化代数Tmax，将当前进化代数置为t，在定义空间Rn中随机产生S个粒子组成初始种群X(t)；评价初始种群X(t)；结束条件满足则寻优结束，转至下一步骤；将寻找到的粒子最优位置即最优参数向量C、σ、ε赋给SVR；用经过ICA特征提取后的训练样本集对SVR进行训练，实现预测模型的构建；利用所建立的预测模型和预测样本进行预测。本发明建立的电力系统数据挖掘与预测整合方法，能减少预测变量中干扰信号对预测模式构建时的影响，提高支持向量回归的预测效果。

技术领域

本发明属于电力系统安全稳定控制技术领域，具体涉及一种电力系统数据挖掘与预测整合方法，其基于独立成分分析与支持向量机回归的结合。

背景技术

电力系统随着数字化、自动化及信息化的发展，已实现了大量历史信息的灵活存取，如何从中提取特征信息和预测变化更好地服务于生产运行成为信息资源有效利用的关键。电力系统中同时涉及数据挖掘与预测的领域有：短期负荷预测、长期负荷预测、短期电价预测、用电量预测和变压器油状态预测、变压器中溶解的气体浓度预测等。其中电力负荷预测是电力系统调度和用电计划的一项重要日常工作，是制定购电计划和安排运行方式的主要依据。目前，与负荷相关的各种变量的值都可通过各种监测设备和管理系统将其记录、存储，形成大型数据记录/数据库。如何从这些错综复杂的庞大的数据中剔除错误和无用的数据，挖掘出隐含在这些数据中真正决定负荷的因素，得出该地区负荷变化的规律，进而形成对负荷的真正准确的预测是负荷预测工作的核心。

数据挖掘技术主要目的是从数据中辨识出正确的、新奇的、有潜在利用价值的以及最终能够成为有用的知识。数据挖掘的主要技术与方法包括：统计分析方法、决策树、人工神经网络、遗传算法、粗糙集方法和支持向量机等。其中目前已有多种不同数据挖掘算法用于负荷预测。

支持向量机是以统计学习理论为基础，运用风险最小化的原理来建立模型。它实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。将支持向量机与回归结合形成了支持向量回归，因为它能抓住变量中的互动关系，不需要对数据有太多的假设，近年来已广泛应用于时间序列预测中。虽然支持向量机回归模型不需太多的假设，可任意地使用预测变量，但是容易造成预测模型过度训练或训练不足的问题。

发明内容

本发明旨在至少一定程度上解决现有技术中存在的技术问题，提出一种电力系统数据挖掘与预测整合方法，其基于独立成分分析与支持向量机回归的结合，能减少预测变量中干扰信号对预测模式构建时的影响，提高支持向量回归的预测效果。

为了实现本发明目的，根据本发明第一方面，本发明实施方式提供一种电力系统数据挖掘与预测整合方法，具体采用以下技术方案：

具体地，该方法包括如下步骤：

步骤S101，输入训练样本数据，对训练样本数据使用独立成分分析方法(ICA)进行特征提取；

步骤S102，粒子群优化(PSO)初始化，设定加速因子c1和c2，惯性权值w，最大进化代数Tmax，将当前进化代数置为t，在定义空间Rn中随机产生S个粒子x1,x2,…,xs，组成初始种群X(t)；

步骤S103，评价初始种群X(t)；

步骤S104，检查结束条件是否满足，若满足，则寻优结束，转至步骤S105；

步骤S105，将寻找到的粒子最优位置，即最优参数向量C、σ、ε赋给支持向量回归(SVR)，其中C为修正系数，σ为核参数，ε为预测误差；

步骤S106，用经过独立成分分析方法(ICA)特征提取后的训练样本集对支持向量回归(SVR)进行训练，实现预测模型的构建；