[发明专利]基于CMA/SMO的支持向量机电力负荷预测方法

摘要

本发明公开了属于电力负荷预测技术领域的一种基于CMA/SMO的支持向量机电力负荷预测方法；读取样本数据，利用数据挖掘技术对样本数据进行赋值聚类，形成挖掘主题数据库；利用基于弱化熵优化的CMA形成电力负荷信息与其他信息的关联关系数据库；利用最小优化算法优化支持向量机回归函数，得到最优化的惩罚因子、核函数、估计精度，利用wolfe对偶理论求得拉格朗日乘子和阈值；选择训练样本，通过极小化目标函数确定针对训练样本的支持向量机回归函数；进行电力负荷预测，最优化的估计精度小于0.0001时，用均方根相对误差作为评价指标进行预测结果分析；有效提高了电力负荷预测的速度与精度，具有积极的实际应用意义。

主权项

一种基于CMA/SMO的支持向量机电力负荷预测方法，其特征在于，包括以下步骤：1)读取由气象信息、气温信息、日照信息、节假日信息、节气信息、电力负荷信息组成的样本数据，利用数据挖掘技术对样本数据进行赋值聚类，形成挖掘主题数据库；2)利用基于弱化熵优化的协同挖掘关联技术分析挖掘主题数据库中电力负荷信息与其他信息的关系并求出电力负荷信息与其他信息的关联关系度，形成电力负荷信息与其他信息的关联关系数据库；3)利用最小优化算法优化支持向量机回归函数，得到支持向量机回归函数中最优化的惩罚因子C、最优化的核函数σ、最优化的估计精度δ；利用wolfe对偶理论求得支持向量机回归函数中的拉格朗日乘子和阈值；4)在关联关系数据库中选择训练样本，将最优化的惩罚因子C、最优化的核函数σ、最优化的估计精度δ、拉格朗日乘子和阈值作为输入参数，通过极小化目标函数确定针对训练样本的支持向量机回归函数；5)将气象信息、气温信息、日照信息、节假日信息、节气信息作为步骤4)确定的针对训练样本的支持向量机回归函数的输入，进行电力负荷预测；6)判断最优化的估计精度δ是否小于0.0001，如果最优化的估计精度δ小于0.0001，用均方根相对误差作为评价指标进行预测结果分析，结束电力负荷预测；否则，返回步骤3)。