一种基于KM‑APSO‑SVM模型的短期电力负荷预测方法与流程

本发明涉及电力负荷预测技术领域，特别是涉及基于km-apso-svm模型的短期电力负荷预测方法。

背景技术：

在电力工业快速发展的今天，国民经济的发展水平与电力负荷预测技术的优劣程度息息相关。准确的电力负荷预测，有利于电网企业制定科学合理的电力输送、调配计划，有效规避风险，保证供电的安全可靠性。短期电力负荷预测是依据历史负荷数据，考虑天气、节假日、经济等因素的影响，掌握负荷的波动规律及其与各因素的内在联系，选择恰当的预测技术并运用数学方法，推知未来几小时或是一天内负荷的发展趋势。短期电力负荷预测依托数据量大，受噪声干扰和多种因素的影响而具有一定的随机性，如何科学合理地进行数据处理是提高预测精度的关键。

目前常用的短期负荷预测的方法大致分为两类，经典预测方法和智能预测方法。

常用的经典预测方法有回归分析法、时间序列法和灰色预测法等。回归分析法的原理和形式简单，预测速度快，外推性能好，但是对历史数据要求较高，不能描述比较复杂的问题；时间序列法需要少量历史数据，工作量小，计算速度快，但忽略负荷变化影响因素；灰色预测法可以削弱随机因素对负荷变化的干扰，依托数据少，计算简便，精度高且易于检验，但仅适用于负荷具有指数变化趋势的情况。

智能预测方法有神经网络法。神经网络通过历史数据的自学习获得预测结果，但是神经网络的层数和神经元个数的确定多依据主观经验，收敛速度慢且易陷入局部极小。

数据挖掘是从大量的、不完全的、噪声的、模糊的、随机的实际数据中提取隐含但具有潜在利用价值的信息，聚类分析是数据挖掘技术的一种。聚类分析是采用某种相近程度度量方法，将数据分成一系列有意义的子集合，每一个集合中的数据性质相近，不同集合之间的数据性质相差较大。日负荷发展趋势具有很大的相似性，受工作日类型、天气状况、节假日等因素影响波动较大，同年同季度各日负荷曲线形状相似，不同年份相同月份中各日负荷曲线形状接近。

因此希望有一种基于km-apso-svm模型的短期电力负荷预测方法可以克服或至少减轻现有技术的上述缺陷。

技术实现要素：

本发明的目的在于提供基于km-apso-svm模型的短期电力负荷预测方法，以提高短期负荷预测的精度。

为实现上述目的，本发明提供一种基于km-apso-svm模型的短期电力负荷预测方法，包括以下步骤：

(1)基于大数据进行电网日负荷变化规律的分析：收集预测地点环境的数据信息，利用灰色关联度分析各气象因素与负荷间的关系，为建立负荷预测模型奠定基础；

(2)运用k-medoids聚类算法对样本进行聚类分析：对收集的数据进行整理，形成聚类样本，设置分类数并选取相关因素构成样本的特征向量，运用k-medoids聚类算法对样本进行聚类分析，通过无量纲化处理映射到特定的区间形成聚类结果；

(3)运用apso-svm预测模型进行负荷预测：对收集的数据进行累加预处理得到训练样本；将聚类样本的数据输入到svm中训练，用apso优化svm参数并建立预测模型，得到的预测结果进行累减还原。

优选地，所述步骤(2)中k-medoids聚类算法包括如下步骤：

①从包含m个数据的数据集中随意选取k个代表对象作为聚类中心；

②分别计算非代表数据对象到各个聚类中心的距离，将它们分配到距离自己最近的聚类中；

③所有数据分配完成后，顺序选取一个数据来代替原来的聚类中心，根据平方差函数值最小的原则更新每个聚类中心；

④与前一次的聚类相比较，如果聚类质量发生变化则跳转至步骤②；如果聚类质量未发生变化执行步骤⑤；

⑤输出聚类结果。

优选地，步骤③中所述平方差函数定义为：

其中，p为类ci中的样本，oj为聚类中心。

优选地，步骤④中所述聚类质量由代价函数表示，该代价函数可以度量对象与其参照对象之间的平均相异度。

优选地，步骤(3)中所述svm参数包括：惩罚因子c、核函数的宽度σ和不敏感损失函数ε。

优选地，所述apso-svm预测模型进行负荷预测的计算步骤如下：

(1)数据预处理：

设原始序列为{x⁽⁰⁾(1),x⁽⁰⁾(2),...x⁽⁰⁾(n)}，进行一次累加得到新序列{x⁽¹⁾(1),x⁽¹⁾(2),...x⁽¹⁾(n)}，其中：

累加后的数据进行归一化处理，计算公式如公式(3)所示：

(2)参数优化步骤：

步骤①：设定粒子群初始值，最大迭代次数为tmax，惯性权值为w，c1和c2为加速因子，迭代时刻为t，初始的粒子群为x(t)，x1,x2,…,xs代表粒子群中随机产生的粒子，对应的粒子速度为v1,v2,...,vs，种群的速度为v(t)；

步骤②：评估粒子群，适应度函数定义为yi分别表示svm的样本值及输出值；

步骤③：通过个体最优解pbest和全局最优gbest更新每一个粒子的速度，更新方程如公式(4)和公式(5)所示：

vid(t+1)＝wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))

(d＝1,2,...,n；i＝1,2,...,s)公式(4)

xid(t+1)＝vid(t)+vid(t+1)公式(5)

式中：s表示种群规模，r1,r2是控制前面速度对当前速度影响的随机数，区间为[0,1]，pid是个体最优解pbest；pgd是全局最优解gbest；

步骤④：检测循环迭代终止条件，当迭代次数大于最大迭代次数或搜寻到了小于设定误差的精度值时终止迭代进行步骤⑤，否则返回至步骤①；

步骤⑤：提取出此时得到的最优参数赋给svm；

步骤⑥：用样本数据对svm进行训练，并用改进的序列极小值法求解模型，计算公式(6)所示：

式中，αi,αi^*为拉格朗日乘子，且满足等式：αi×αi^*＝0，αi,αi^*≥0，k(xi,xj)为核函数；

步骤⑦：将步骤⑥中的参数代入公式(7)，确定模型最终函数方程

本发明结合数据挖掘技术中的k-medoids聚类分析方法与svm预测方法，提出了一种基于聚类分析和数据累加预处理的km-apso-svm预测方法，该方法采用k-medoids聚类分析技术将相似日划为一类，同时结合粒子群算法良好的寻优性能和svm预测优势，构建了基于数据累加预处理的pso-svm(accumulativepso-svm，apso-svm)预测模型，通过对原始序列的累加弱化其中的不规则扰动影响，增强序列的规律性，在预测过程中保证预测精度。

附图说明

图1是聚类结果示意图。

图2是km-apso-svm预测机制示意图。

图3是簇1拟合程度示意图。

图4是簇1相对误差示意图。

图5是簇2拟合程度示意图。

图6是簇2相对误差示意图。

图7是簇3拟合程度示意图。

图8是簇3相对误差示意图。

图9是8月份的拟合程度示意图。

图10是8月份的相对误差示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

km-apso-svm：基于k-medoids聚类分析技术和数据累加预处理的粒子群优化支持向量机算法。

svm是以vc维理论和结构风险最小化原则为理论基础，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，从而获得最好的推广能力。svm能将实际问题通过非线性变换转换到高维度的特征空间，并运用核函数解决维数问题，得到全局最优解，收敛速度快，计算精度高。

k-medoids算法是一种基于划分的聚类算法，有较强的鲁棒性和较高的准确性。传统的k-medoids算法的聚类思想是：首先为每个簇随意选择一个代表对象，将剩余的对象分配给与它距离最短的代表对象所代表的簇；然后反复用非代表对象来代替代表对象，从而提高聚类质量。聚类质量用一个代价函数来表示，该函数可以度量对象与其参照对象之间的平均相异度。

apso-svm预测模型首先对原始数据进行一次累加预处理得到训练样本；将样本数据输入到svm中训练，用pso优化svm中主要参数(惩罚因子c、核函数的宽度σ、不敏感损失函数ε)并建立预测模型，得到的预测结果需进行累减还原。

基于km-apso-svm模型的短期电力负荷预测方法，包括以下步骤：

(1)基于大数据进行电网日负荷变化规律的分析：收集预测地点环境的数据信息，利用灰色关联度分析各气象因素与负荷间的关系，为建立负荷预测模型奠定基础；

(2)运用k-medoids聚类算法对样本进行聚类分析：对收集的数据进行整理，形成聚类样本，设置分类数并选取相关因素构成样本的特征向量，运用k-medoids聚类算法对样本进行聚类分析，通过无量纲化处理映射到特定的区间形成聚类结果；

(3)运用apso-svm预测模型进行负荷预测：对收集的数据进行累加预处理得到训练样本；将聚类样本的数据输入到svm中训练，用apso优化svm参数惩罚因子c、核函数的宽度σ和不敏感损失函数ε，并建立预测模型，得到的预测结果进行累减还原。

其中，所述步骤(2)中k-medoids聚类算法包括如下步骤：

①从包含m个数据的数据集中随意选取k个代表对象作为聚类中心；

②分别计算非代表数据对象到各个聚类中心的距离，将它们分配到距离自己最近的聚类中；

③所有数据分配完成后，顺序选取一个数据来代替原来的聚类中心，根据平方差函数值最小的原则更新每个聚类中心，平方差函数定义为：

其中，p为类ci中的样本，oj为聚类中心；

④与前一次的聚类相比较，聚类质量由代价函数表示，该函数可以度量对象与其参照对象之间的平均相异度，如果聚类质量发生变化则跳转至步骤②；如果聚类质量未发生变化执行步骤⑤；

⑤输出聚类结果。

apso-svm预测模型进行负荷预测的计算步骤如下：

(1)数据预处理

设原始序列为{x⁽⁰⁾(1),x⁽⁰⁾(2),...x⁽⁰⁾(n)}，进行一次累加得到新序列{x⁽¹⁾(1),x⁽¹⁾(2),...x⁽¹⁾(n)}，其中：

由于svm对0到1之间的数据比较敏感，训练的速度较快，需要将累加后的数据进行归一化处理，计算公式如公式(3)所示：

(2)参数优化步骤：

步骤①：设定粒子群初始值，最大迭代次数为tmax，惯性权值为w，c1和c2为加速因子，迭代时刻为t，初始的粒子群为x(t)，x1,x2,...,xs代表粒子群中随机产生的粒子，对应的粒子速度为v1,v2,...,vs，种群的速度为v(t)；

步骤②：评估粒子群，适应度函数定义为yi分别表示svm的样本值及输出值；

步骤③：通过个体最优解pbest和全局最优gbest更新每一个粒子的速度，更新方程如公式(4)和公式(5)所示：

vid(t+1)＝wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))

(d＝1,2,...,n；i＝1,2,...,s)公式(11)

xid(t+1)＝vid(t)+vid(t+1)公式(12)

式中：s表示种群规模，r1,r2是控制前面速度对当前速度影响的随机数，区间为[0,1]，pid是个体最优解pbest；pgd是全局最优解gbest；

步骤④：检测循环迭代终止条件，当迭代次数大于最大迭代次数或搜寻到了小于设定误差的精度值时终止迭代进行步骤⑤，否则返回至步骤①；

步骤⑤：提取出此时得到的最优参数赋给svm；

步骤⑥：用样本数据对svm进行训练，并用改进的序列极小值法求解模型，计算公式(6)所示：

式中，αi,αi^*为拉格朗日乘子，且满足等式：αi×αi^*＝0，αi,αi^*≥0，k(xi,xj)为核函数；

步骤⑦：将步骤⑥中的参数代入公式(7)，确定模型最终函数方程

在一具体实施例中，基于km-apso-svm模型的短期电力负荷预测方法包括以下步骤：

(1)数据收集：收集某电网2014年6月1日至2014年8月31日期间共92天负荷数据及气象数据信息。该电网3个月期间负荷数据统计情况如表1所示：

表1负荷数据统计表(单位：mw)

(2)短期负荷聚类分析对收集的数据进行整理，形成聚类样本。如图1所示的聚类结果，设分类数为3，选取日平均温度、日类型和7天前最大负荷作为相关因素构成样本的特征向量，运用k-medoids聚类算法对样本进行聚类分析。其中，日类型有周一至周四、周五、周六和周日四种，通过无量纲化处理映射到特定的区间。为便于定量表示，设1代表周一至周四，2代表周五，3代表周六，4代表周日。

基于聚类分析选择相似日，选取相似日的日平均温度、日类型及7天前最大历史负荷三个因素作为svm的输入向量，输出负荷预测值。根据图3的聚类结果分别建立svm训练样本集和测试样本集，训练样本为六月份和七月份的数据，测试样本为八月份的数据，统计结果如表2所示。

表2训练样本集与测试样本集统计表

簇1共有33个样本，其中训练样本数为16，测试样本数为17。簇1中6月份和7月份的历史数据训练svm主要参数σ、c和ε，输入8月份测试集的特征向量得到负荷预测值，计算模型预测精度。簇2共有27个样本(24个训练样本，3个测试样本)，簇3共有32个样本(21个训练样本，11个测试样本)，同上可以计算出簇2和簇3的8月份的负荷预测值。

(3)负荷预测结果及讨论：如图2所示，运用k-medoids聚类算法进行相似日聚类分析，类簇中心点k＝3，选取日类型、日平均气温和七日前日最高负荷作为特征向量，得到最终的聚类结果，即簇1、簇2和簇3。分别输入每个簇中6月份和7月份原始向量训练apso-svm模型，得到各簇8月份的预测结果，进而得到整个8月份的负荷预测值。

如图3-8所示，簇1、簇2和簇3的预测结果由拟合程度和相对误差可以看出，km-apso-svm与原始负荷的拟合程度明显优于km-pso-svm模型，说明apso相对于pso可以更好的优化svm参数，提高系统预测精度。

如图9和10所示，8月份的预测结果由拟合程度和相对误差获得。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。