[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

说明书

本发明涉及配网优化的技术领域，更具体地，涉及一种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，通过小波变换，将负荷序列分量投影到不同的尺度上，并对不同的子负荷序列分别采用DWT‑IPSO‑LSSVM模型进行预测。通过改进粒子群优化算法挑选最佳的惩罚参数以及核函数参数，建立小波分解和改进粒子群优化的LSSVM负荷预测模型，通过对各负荷分量预测结果进行重构，得到完整的负荷预测结果。本发明克服传统LSSVM在参数选择上的盲目性及PSO‑LSSVM负荷预测精度的不足，在工作日以及节假日的短期负荷预测中，预测精度都很高，并且收敛速度快，不宜陷入局部最优，具有很好的鲁棒性和强泛化能力。

技术领域

本发明涉及配网优化的技术领域，更具体地，涉及一种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。

背景技术

电力系统短期负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或几小时负荷进行科学预测。准确的负荷预测是安排电力生产调度、提高电力系统自动化运行水平的重要决策依据。长期以来，大多数负荷预测理论和方法都是基于时间序列分析和统计模型的，包括线性回归模型、自回归滑动平均模型等。

随着人工智能算法的快速发展，人工神经网络(Artificial Neural Network，ANN)法、深度信念网络(Deep Belief Network，DBN)、动态模糊综合评价方法以及模拟退火算法等自学能力较强的预测方法在短期负荷预测中得到了广泛应用。支持向量机(SupportVector Machine，SVM)模型解决了ANN中存在的过拟合、维数灾以及局部最小的问题。但对于容量为N的样本集，SVM方法时间和空间复杂度分别为O(N³)和O(N²)，用该方法处理海量负荷样本数据将面临严峻挑战。

发明内容

本发明的目的在于克服现有技术的不足，提供一种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，具有较高的预测精度，克服了传统LSSVM在参数选择上的盲目性及PSO-LSSVM负荷预测精度的不足。

为解决上述技术问题，本发明采用的技术方案是：

提供一种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，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。