一种电力系统预测的方法和装置与流程

本发明涉及计算机算法
技术领域：
，特别涉及一种电力系统预测的方法和装置。
背景技术：
：科学的预测是正确决策的依据和保证。负荷预测是电力系统领域的一个传统研究问题，是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测。负荷预测是电力系统规划、计划、用电、调度等部门的基础工作，其重要性早已被人们所认识。负荷预测本质上是对功率曲线进行拟合与回归，由于实时功率曲线受电力系统、经济、社会、气象等诸多因素影响，一般表现为复杂非线性特点，宜采用对复杂非线性特性具备较强学习能力的预测模型。目前应用较多且比较成熟的预测方法，主要为支持向量机(supportvectormachine，svm)等。svm同时考虑经验风险最小和结构风险最小，使模型具有较强的推广性，在小样本识别方面有较大优势，且svm有严格的数学理论基础，其决策为全局最优。svm参数的选取策略目前尚没有统一的方法，svm参数选取的优劣将直接影响模型的拟合和回归能力。现有技术中，较为常用的svm参数优化算法包括网格搜索算法、粒子群算法等。利用这些算法虽然可以选取svm参数，但并不能得到特别合适的参数值，并且搜索到最优解或满意解的速度太慢，依据选取的参数进行负荷预测的效率低。技术实现要素：本发明实施例提供了一种电力系统预测的方法和装置，不仅能够获得更加优化的参数值，并且解决了支持向量机搜索到最优解或满意解的速度太慢导致负荷预测效率低的问题。第一方面，本发明实施例提供了一种电力系统预测的方法，该方法包括：s1：初始化种群参数，生成种群个体；s2：将s1中的参数赋值给支持向量机，计算种群中每个个体的适应度；s3：根据个体适应度，计算种群个体的选择概率，并以该选择概率进行个体选择；s4：对s3选择的种群个体进行交叉、变异；s5：判断当前种群是否达到训练终止条件，若是，则获得优化后的支持向量机，并执行s6；否则，执行s3；s6：将训练样本输入到优化后的支持向量机进行训练获得预测模型。优选地，步骤s2具体为将s1中的参数赋值给最小二乘机支持向量机，获得预测值，并计算每个个体的适应度，计算公式为：其中，fi为第i个个体的适应度；为预测值；yi为真实值。优选地，步骤s3中计算种群个体的选择概率的公式为：其中，pi为第i个个体的选择概率。优选地，步骤s4中种群个体进行交叉的概率为：其中，fc为个体进行交叉前父代两个个体中适应度大者；fmax为个体进行交叉前父代种群中的最大适应度；为个体进行交叉前父代种群中所有个体的平均适应度；k1和k2为常数。优选地，步骤s4中种群个体进行变异的概率为：其中，fm为需要变异个体的适应度；k3和k4为常数。优选地，步骤s6中的训练样本是经过筛选的训练样本，该筛选过程包括：m1：确定当日时间，获取当日特征向量；m2：分别计算符合预设条件的历史日的特征向量与当日特征向量的相似度是否符合预设阈值，若是，则选择当前历史日为训练样本；否则，排除当前历史日。第二方面，本发明实施例提供了一种电力系统预测的装置，该装置包括：初始模块、赋值模块、选择模块、交变模块、判断模块和训练模块，其中，所述初始模块，用于初始化种群参数，生成种群个体；所述赋值模块，用于将所述初始模块初始化的参数赋值给支持向量机，计算种群中每个个体的适应度；所述选择模块，用于根据所述赋值模块获得的个体适应度，计算种群个体的选择概率，并以该选择概率进行个体选择；所述交变模块，用于对所述选择模块选择的种群个体进行交叉、变异；所述判断模块，用于判断当前种群是否达到训练终止条件，若是，则获得优化后的支持向量机，并触发所述训练模块；否则，触发选择模块；所述训练模块，用于将训练样本输入到优化后的支持向量机进行训练获得预测模型。优选地，所述赋值模块具体用于将所述初始模块初始化的参数赋值给最小二乘机支持向量机，获得预测值，计算每个个体的适应度，并对个体的适应度进行修正，其中，个体的适应度计算公式为：其中，为预测值；yi为真实值；fi为第i个个体的适应度；c为常数。优选地，所述选择模块计算种群个体的选择概率的公式为：其中，pi为第i个个体的选择概率。优选地，所述交变模块进行种群个体交叉的概率为：其中，fc为个体进行交叉前父代两个个体中适应度大者；fmax为个体进行交叉前父代种群中的最大适应度；为个体进行交叉前父代种群中所有个体的平均适应度；k1和k2为常数。优选地，所述交变模块进行种群个体变异的概率为：其中，fm为需要变异个体的适应度；k3和k4为常数。与现有技术相比，本发明至少具有以下有益效果：本发明有效地提高了搜索到最优解或满意解的速度，从而提高以选取的参数配置的支持向量机进行负荷预测的效率，而且在选取参数过程中，获取了与预测日的负荷数据相似的相似日负荷数据对算法进行优化，优化后使误差值将至最低，以此提高选取的参数的准确性，从而降低支持向量机模型在实际预测时的预测误差，提高负荷预测的精度。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明一个实施例提供的一种电力系统预测的方法的流程图；图2是本发明一个实施例提供的一种筛选的训练样本的流程图。图3是本发明一个实施例提供的一种电力系统预测的装置的框图。具体实施方式为使本发明实施例的目的、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清楚、完整地描述，显然，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，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。如图1所示，本发明实施例提供了一种电力系统预测的方法，该方法可以包括以下步骤：s1：初始化种群参数，生成种群个体；s2：将s1中的参数赋值给支持向量机，计算种群中每个个体的适应度；s3：根据个体适应度，计算种群个体的选择概率，并以该选择概率进行个体选择；s4：对s3选择的种群个体进行交叉、变异；s5：判断当前种群是否达到训练终止条件，若是，则获得优化后的支持向量机，并执行s6；否则，执行s3；s6：将训练样本输入到优化后的支持向量机进行训练获得预测模型。在该实施例中，步骤s1可以为生成初始核函数参数和惩罚因子等参数，并采用长度为8位的二进制码来进行编码，并设置种群大小以及迭代次数，种群中每个个体均为参数编码形式，且随机生成个体的初始值。训练终止条件为迭代次数是否达到预设的迭代次数或者误差是否小于预设阈值，若迭代次数小于预设的迭代次数，则执行步骤s3；或者，若误差大于预设阈值，则执行步骤s3。在本发明一个实施例中，步骤s2具体为将s1中的参数赋值给最小二乘机支持向量机，获得预测值，并计算每个个体的适应度，计算公式为：其中，fi为第i个个体的适应度；为预测值；yi为真实值。在该实施例中，利用步骤s1的参数赋值给最小二乘支持向量机，然后根据预测结果，计算各个个体的适应度值。在本发明一个实施例中，所述选择模块计算种群个体的选择概率的公式为：其中，pi为第i个个体的选择概率。在该实施例中，在获得个体适应度之后，根据所获得的适应度值，计算种群个体的选择概率时以个体选择概率选择个体。在本发明一个实施例中，所述交变模块进行种群个体交叉的概率为：其中，fc为个体进行交叉前父代两个个体中适应度大者；fmax为个体进行交叉前父代种群中的最大适应度；为个体进行交叉前父代种群中所有个体的平均适应度；k1和k2为常数。步骤s4中种群个体进行变异的概率为：其中，fm为需要变异个体的适应度；k3和k4为常数。在该实施例中，将个体参量转化为二进制编码，交叉运算采用单点叉，变异策略采用多点变异。一般取k1和k2为1，k3和k4为0.5。通过以上方法的调整，使遗传算法在搜索过程中，对于优质个体(即适应度高于种群的平均适应度值)，交叉概率pc，变异概率pm取小一些，促进遗传算法快速收敛，对于适应度值低于种群平均适应度值的个体，交叉概率pc，变异概率pm取大一些，避免陷入遗传算法局部极值点，发生早期收敛现象。如图2所示，在本发明一个实施例中，步骤s6中的训练样本是经过筛选的训练样本，该筛选过程包括：m1：确定当日时间，获取当日特征向量；m2：分别计算符合预设条件的历史日的特征向量与当日特征向量的相似度是否符合预设阈值，若是，则选择当前历史日为训练样本；否则，排除当前历史日。在该实施例中，由于每日数据的特征有天气(晴、阴、多云、雨)、最高温度，最低温度、平均温度、湿度等等，所以可以选取相似的历史日数据，以提高选取的参数的准确性。选取相似的历史日数据的过程也就是筛选训练样本的过程，可以为：1)待预测日(也就是当日)与当日的月份相差不超过2个月或上一年的同月；2)与待预测日的工作特性相同，即同为工作日，或周末，或节假日；3)给定一个相似度阈值；4)计算待预测日和同时满足条件1)，2)的历史日的特征向量的相似度(相似度计算可以采用欧式距离)；5)当相似度值小于给定的阈值时，该日就作为训练样本。将经过筛选的训练样本输入给最小二乘支持向量机，训练完成得到预测模型，调用该模型便可以得到未来24小时的预测值。在电力系统中应用，便可以得到未来24小时的热负载预测值。除此之外，可以根据天气预报给出的未来某日的天气特征，适当修改选区历史日的条件，可以对未来某日进行训练样本的筛选。对此利用实验对本发明的优越性进行验证。选取了30天的热负荷预测值(24小时，每小时对应一个热负荷值)来进行对比。测试数据为一天，24个点。分别对比了三种算法：(1)用网格搜索选取参数的最小二乘支持向量机算法；(2)用相似日选取的训练集训练最小二乘支持向量机算法(最小二乘支持向量机的参数用网格搜索获取)；(3)本发明算法，即：用相似日选取的训练集训练最小二乘支持向量机算法，最小二乘支持向量机参数使用改进的遗传算法得到；通过对比三种方法的均方根误差rmse和平均相对误差mape指标进行说明，数据如下：平均相对误差mape：均方根误差rmse：计算结果如下表1所示：表1指标svm算法相似日+svm算法本发明算法rmse0.960.720.49mape8.2％6.7％5.9％通过实验数据的对比，可以看出本文提出的方法在热负荷的预测上能够达到更好的效果。值得说明的是，在本发明一个实施例中，可以对步骤s2计算出的个体适应度进行修正，修正的具体过程为：n1：获得当前种群的平均适应度当前种群中的最大适应度fmax和当前种群中的最小适应度fmin；n2：若则执行n3；否则，执行n4；n3：n4：n5：获得修正后的个体适应度f′i＝afi+b，i＝1，2，3…，n；其中，f′i为第i个修正后的个体适应度；fi为第i个未修正的个体适应度；c为常数。在该实施例中，通过对个体适应度的修正，可以有效避免修正后的个体适应度小于0。而在以后步骤中，计算种群个体的选择概率、计算种群个体进行交叉的概率和计算种群个体进行变异的概率的时候可以采用修正后的个体适应度进行计算。如图3所示，本发明实施例提供了一种电力系统预测的装置，该装置包括：初始模块、赋值模块、选择模块、交变模块、判断模块和训练模块，其中，初始模块，用于初始化种群参数，生成种群个体；赋值模块，用于将所述初始模块初始化的参数赋值给支持向量机，计算种群中每个个体的适应度；选择模块，用于根据所述赋值模块获得的个体适应度，计算种群个体的选择概率，并以该选择概率进行个体选择；交变模块，用于对所述选择模块选择的种群个体进行交叉、变异；判断模块，用于判断当前种群是否达到训练终止条件，若是，则获得优化后的支持向量机，并触发所述训练模块；否则，触发选择模块；训练模块，用于将训练样本输入到优化后的支持向量机进行训练获得预测模型。优选地，赋值模块可以具体用于将所述初始模块初始化的参数赋值给最小二乘机支持向量机，获得预测值，计算每个个体的适应度，其中，个体的适应度计算公式为：其中，为预测值；yi为真实值；fi为第i个个体的适应度；c为常数。在本发明一个实施例中，所述选择模块计算种群个体的选择概率的公式为：其中，pi为第i个个体的选择概率。在本发明一个实施例中，所述交变模块进行种群个体交叉的概率为：其中，fc为个体进行交叉前父代两个个体中适应度大者；fmax为个体进行交叉前父代种群中的最大适应度；为个体进行交叉前父代种群中所有个体的平均适应度；k1和k2为常数。在本发明一个实施例中，所述交变模块进行种群个体变异的概率为：其中，fm为需要变异个体的适应度；k3和k4为常数。值得说明的是，在本发明一个实施例中，可以对赋值模块计算出的个体适应度进行修正，修正的具体过程为：修正个体的适应度的具体过程为：n1：获得当前种群的平均适应度当前种群中的最大适应度fmax和当前种群中的最小适应度fmin；n2：若则执行n3；否则，执行n4；n3：n4：n5：获得修正后的个体适应度f′i＝afi+b，i＝1，2，3…，n；其中，f′i为第i个修正后的个体适应度；fi为第i个未修正的个体适应度；c为常数。在该实施例中，通过对个体适应度的修正，可以有效避免修正后的个体适应度小于0。而在该装置的其他各模块中，计算种群个体的选择概率、计算种群个体进行交叉的概率和计算种群个体进行变异的概率的时候可以采用修正后的个体适应度进行计算。上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。当前第1页12