[发明专利]基于支持向量回归的短期负荷预测方法

摘要

本发明公开了一种基于支持向量回归的短期负荷预测方法，步骤如下：一、建立增量最大负荷模型和最小负荷模型：选取日特征量，包括类型日、最高温度、平均温度、平均相对湿度、平均风速；二、利用日特征量相似度，选取与预测日的日特征相似度较高的日期，并计算相似日的权重系数，最后获得预测日各点负荷；本发明针对夏冬两季气象因素修正了传统的休息日归一化数据，选取前四日最大(最小)负荷、最高温度、平均温度、平均风速、平均相对湿度作为最大(最小)负荷预测回归模型的输入，使用LS‑SVM建立了输入输出的映射关系，并取得了较好的预测效果。

主权项

一种基于支持向量回归的短期负荷预测方法，其特征在于：步骤如下：一、增量最大负荷支持向量回归模型：首先选取日特征量，包括类型日、最高温度、平均温度、平均相对湿度、平均风速，电力系统的日最大负荷曲线受该日及前几日的日特征量影响，建立日增量最大负荷回归模型如下：y^max(k)=f(ymax(k-1),ymax(k-2),ymax(k-3),ymax(k-4),u(k),u(k-1),u(k-2),u(k-3))---(1)]]>其中为待估计的预测日增量最大负荷，u(k)为预测日的日特征量，ymax(k‑1)表示预测日前一日增量最大负荷；令xk＝[ymax(k‑1),ymax(k‑2),ymax(k‑3),ymax(k‑4),u(k),u(k‑1),u(k‑2),u(k‑3)]    (2)则式(1)变为y^max(k)=f(xk)---(3)]]>采用最小二乘支持向量机(LS‑SVM)来辨识回归模型，LS‑SVM是把输入数据xk映射到一个高维空间，在高维空间构造一个线性回归函数，可以近似表示为：其中训练数据集N为训练数据集个数，xk为式(2)表示的第k日输入向量，ymax,k为第k日增量最大负荷，另外w为权向量，表示某种非线性映射，可以将输入空间映射到高维特征空间，b为偏置，LS‑SVM将回归转换成优化问题：其中ek为拟合误差，γ为规则化参数，起到调节对拟合误差的惩罚程度的作用；采用Lagrange乘数法，求解一系列偏微分方程，可以构建下列线性方程组：01NT1NΩ+1γINbα=0y---(6)]]>其中α＝[α1 α2 L αN]T称为支持向量，αk＝γek，γ为式(5)的规则化参数，1N＝[1,1,L,1]T，ymax＝[ymax,1,ymax,2,L ymax,N]T。IN为单位矩阵，核矩阵如下：K为预先定义的核函数，核函数的引入能够降低在高维空间时的显式计算量，可以有效处理高维输入；LS‑SVM方法采用等式约束代替传统SVM的不等式约束，将回归简化为可以求解的一系列线性方程式，计算出式(6)中的b和α，回归模型变为：ymax(xk)=Σk=1NαkK(x,xk)+b---(8)]]>K为满足Mercer条件的核函数，xk为训练数据集，x为新的输入数据，选用常用的高斯核函数K(x,xk)=exp(-||x-xk||2σ2)---(9)]]>其中σ为宽度参数，控制函数的径向作用范围，||g||表示欧氏距离，这样增量最大负荷回归模型就变为：ymax(x)=Σk=1Nαkexp(-||x-xk||2σ2)+b---(10)]]>二、负荷变化系数：采用日特征相似度对日特征量进行衡量，日特征相似度是描述两日的日特征量的相似程度，其定义为：假设每日考虑了H个负荷相关因素，i,j两日的日特征量向量分别为：(ui1,ui2L uiH)T，(uj1,uj2L ujN)T，i,j两日的日特征相似度为：Oij=Σn=1Huinujn(Σn=1Huin2Σn=1Hujn2)1/2---(11)]]>根据公式(11)计算，选择与预测日的日特征相似度较高的日期，求取该日各点负荷归一化值，计算方法为：Ln(k,i)=L(k,i)-Lmin,kLmax,k-Lmin,k---(12)]]>其中k为选取的日特征相似度较高的日期个数，L(k,i)为第k日，第i点负荷数据，Lmax,k为第k日最大负荷数据，Lmin,k为第k日最小负荷数据；按照相似度的大小，计算预测日的日负荷变化系数：Ln(i)=Σk=1nμkLn(k,i)---(13)]]>其中μk为第k个相似类型日所占的权重系数，μk=Okj2Σk=1nOkj2,k=1,2...n---(14)]]>Okj为第k个相似类型日与预测日的相似度；预测日的各点负荷模型为：L(i)=Ln(i)(L^max-L^min)+L^min---(15)]]>其中分别预测日最大负荷和最小负荷的估计值。