[发明专利]基于离散小波变换和优化最小支持向量机的负荷预测方法

权利要求书

1.基于离散小波变换和优化最小支持向量机的负荷预测方法，其特征在于，包括以下步骤：

S10.采用离散小波变换方法DWT将原始历史负荷数据分解为一系列特征互异的负荷子序列；

S20.对子负荷序列内的负荷数据进行预处理，去除不规则数据和填补缺失数据，得到负荷数据；

S30.结合负荷数据的周期特性，选取输入变量集合形成训练样本，并对训练样本内数据进行归一化处理；

S40.选取径向基函数为最小二乘支持向量机LSSVM核函数，对粒子群算法的惯性权重系数和加速因子进行改进计算得改进粒子群优化算法IPSO；采用改进粒子群优化算法IPSO对最小支持向量机LSSVM模型的正则化参数γ和核宽度系数σ进行优化；

S50.采用步骤S40中优化得到的[γ,σ]作为LSSVM模型的输入，使用优化的LSSVM模型对负荷子序列分别建立DWT-IPSO-LSSVM负荷预测模型，进行负荷预测；并重构各负荷子序列的负荷预测值得到实际的负荷预测结果；

S60.构建DWT-IPSO-LSSVM负荷预测模型，输入原始历史负荷数据，输出负荷预测结果。

2.根据权利要求1所述的基于离散小波变换和优化最小支持向量机的负荷预测方法，其特征在于，步骤S10中，对原始历史数据进行多尺度分解得到高频信号和低频信号，所述高频信号包括周期分量，所述低频信号包括周期分量和扰动随机分量。

3.根据权利要求1所述的基于离散小波变换和优化最小支持向量机的负荷预测方法，其特征在于，步骤S10中选择的小波基函数为：

式中，a为时间尺度，τ为时间上的位移，为小波变换生成的函数族。

4.根据权利要求1所述的基于离散小波变换和优化最小支持向量机的负荷预测方法，其特征在于，步骤S20中：对于缺失数据，采用线性插值的方法将其补上；对于错误数据，将某一时刻的负荷和其前后负荷值求差得差值，若差值大于设定阈值，采用水平处理的方式进行平滑计算；若差值超出设定阈值，采用垂直处理的方式进行修正。

5.根据权利要求1所述的基于离散小波变换和优化最小支持向量机的负荷预测方法，其特征在于，步骤S30中所述的归一化处理包括：

(1)负荷数据的归一化

对负荷采用对数处理：

x′_ij＝lg(x_ij)

其中，x_ij为负荷数据，x′_ij为规格化后的负荷数据；

(2)日类型的划分与规格化

用数字来表征负荷对不同日类型的响应，根据负荷的周期性，将周一取为0.7，周二到周五取为0.8，周六取为0.4，周日取为0.3；

(3)温度数据的规格化

式中，T_ij为原始温度℃；T_jmin,T_jmax分别为T_1j,T_2j,...,T_nj中的最小值、最大值；T′_ij为规格化后的温度系数；

(4)湿度数据的规格化

每一项湿度数据都经过线性变换到[0，1]的取值范围内，且均为具有相同尺度的无量纲量。

6.根据权利要求1所述的基于离散小波变换和优化最小支持向量机的负荷预测方法，其特征在于，步骤S40中，所述径向基函数表示为：

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中：x是m维输入向量，x_i是第i个径向基函数的中心，与x具有相同维数，σ是标准化参数，决定了该函数围绕中心点的宽度，||x-x_i||是向量x-x_i的范数，表示x与x_i之间的距离。