[发明专利]一种基于DFS和SVM特征选择的短期负荷预测方法及系统

权利要求书

1.一种基于DFS和SVM特征选择的短期负荷预测方法，其特征在于，所述方法包括：

根据影响短期负荷预测的特征的F-score值获取特征子集；

根据特征子集所对应的SVM分类模型的分类正确率确定最优特征子集；

利用所述最优特征子集中特征所对应的历史数据训练短期负荷预测模型，并利用该短期负荷预测模型预测预测日负荷值。

2.如权利要求1所述的方法，其特征在于，所述影响短期负荷预测的特征包括负荷特征、温度特征、天气情况特征、湿度特征、预测日日期类型特征、气压特征、风速特征及露点温度特征。

3.如权利要求1所述的方法，其特征在于，所述根据影响短期负荷预测的特征的F-score值获取特征子集，包括：

(1)根据所述特征的历史数据确定所述特征的F-score值；

(2)建立特征子集，其中，所述特征子集初始为空集；

(3)选择F-score值最大的特征不放回地加入到特征子集，输出所述特征子集；

(4)返回所述步骤(3)直至所有特征都被加入到特征子集。

4.如权利要求3所述的方法，其特征在于，所述根据所述特征的历史数据确定所述特征的F-score值，包括：

按下式确定第i个特征的F-score值F_i：

其中，是第i个特征在第j类历史数据上的平均值，是第i个特征在整个历史数据上的平均值，是第i个特征的第j类历史数据的第k个样本值；l是历史数据的类别数，n_j是第j类历史数据所含样本的个数。

5.如权利要求3所述的方法，其特征在于，历史数据的类别按照季节分为四类，每类历史数据所含样本的个数为对应季节含有的天数。

6.如权利要求1所述的方法，其特征在于，所述根据特征子集所对应的SVM分类模型的分类正确率确定最优特征子集，包括：

利用特征子集中特征所对应的历史数据训练SVM分类模型；

测试所述SVM分类模型的分类正确率，选择SVM分类模型分类正确率最高时对应的特征子集作为最优特征子集。

7.如权利要求6所述的方法，其特征在于，所述SVM分类模型选用下述多项式核函数：

K(x,x')＝(x·x'+1)^d

其中，d为正整数，x为输入空间，即特征子集，x'表示将输入空间映射到的一个高维特征空间。

8.如权利要求1所述的方法，其特征在于，所述利用所述最优特征子集中特征所对应的历史数据训练短期负荷预测模型，并利用该短期负荷预测模型预测预测日负荷值，包括：

将所述最优特征子集中特征所对应的历史数据按照比例分为训练样本及测试样本；

根据所述训练样本，利用改进粒子群优化的神经网络算法建立短期负荷预测模型，并利用测试样本测试所述短期负荷预测模型；

将所述最优特征子集中特征所对应的预测日数据作为所述短期负荷预测模型的输入量，获取预测日负荷数据。

9.一种基于DFS和SVM特征选择的短期负荷预测系统，其特征在于，所述系统包括：

获取单元，用于根据影响短期负荷预测的特征的F-score值获取特征子集；

确定单元，用于根据特征子集所对应的SVM分类模型的分类正确率确定最优特征子集；

预测单元，用于利用所述最优特征子集中特征所对应的历史数据训练短期负荷预测模型，并利用该短期负荷预测模型预测预测日负荷值。

10.如权利要求9所述的系统，其特征在于，所述影响短期负荷预测的特征包括负荷特征、温度特征、天气情况特征、湿度特征、预测日日期类型特征、气压特征、风速特征及露点温度特征。