基于cma/smo的支持向量机电力负荷预测方法
【技术领域】
[0001] 本发明属于电力负荷预测技术领域，特别涉及一种基于CMA/SM0的支持向量机电 力负荷预测方法。
【背景技术】
[0002] 电力系统短期负荷预测对电力系统的可靠和经济运行意义重大，尤其随着电力市 场的发展，短期负荷预测越来越受到重视。长期以来国内外学者对负荷预测的理论和方法 做了大量的研宄，提出了各种各样的预测方法，这些方法大致可分为两大类：一类是以时间 序列为代表的传统方法，它们虽然运算简单，计算速度快，但由于模型简单无法模拟复杂多 变的电力负荷；一类是以人工智能为代表的新型人工智能方法，人工神经网络法无疑是最 引人关注的，但神经网络还存在着许多亟待解决的问题，如网络结构的选择，局部最优问题 等，因此神经网络预测方法也在不断的发展与完善。
[0003] 支持向量机是一类新型机器学习方法，由于其出色的学习性能，已在模式识别、时 间序列预测等方面取得了越来越多的进展，但是由于支持向量机的训练算法可以归结为求 解受约束的二次规划（QP)问题，对于具有较多训练样本的情况而言，训练支持向量机需要 很大的内存和很长的运行时间，因此限制了其实际应用。
[0004] 近些年支持向量机技术得到了广泛的应用，但是其预测的精度主要受到了两方面 的影响，一方面是历史和样本信息的影响，影响了后续训练和测试的速度和精度，另一方面 是支持向量机参数的选择，直接影响了预测的精度，这两方面也是支持向量机技术应用中 遇到的两个比较突出的难题。因此，本发明提出一种基于协同挖掘关联技术（CMA)/最小 优化算法（SM0)的支持向量机电力负荷预测方法。
【发明内容】
[0005] 本发明的目的在于提出一种基于CMA/SM0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：
[0006] 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；
[0007] 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；
[0008] 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、最优化的核函数〇、最优化的估计精度S;利用w〇lfe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；
[0009] 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 0、最优化的估计精度s、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；
[0010] 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；
[0011] 6)判断最优化的估计精度S是否小于0.0001，如果最优化的估计精度S小于 〇.0001，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)。
[0012] 本发明的有益效果是基于CMA/SMO的支持向量机电力负荷预测方法克服了电力 负荷影响因素多且复杂导致的电力负荷发展趋势预测难以准确把握的问题，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。
【附图说明】
[0013] 图1为基于CMA/SMO的支持向量机电力负荷预测方法流程图。
[0014] 图2为电力负荷预测结果比较图。
【具体实施方式】
[0015] 本发明提出一种基于CMA/SMO的支持向量机电力负荷预测方法，下面结合附图和 具体实施例对本发明作详细说明。
[0016] 图1所示为基于CMA/SMO的支持向量机电力负荷预测方法流程图，包括以下步 骤：
[0017] 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；
[0018] 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；
[0019] 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、最优化的核函数〇、最优化的估计精度S;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；
[0020] 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 〇、最优化的估计精度S、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；
[0021] 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；
[0022] 6)判断最优化的估计精度S是否小于0.0001，如果最优化的估计精度S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)。
[0023] 将陕西省某市自2011年4月22日0时至2012年4月12日12时期间的电力负 荷数据作为训练样本，2012年4月15日13时至2012年4月28日24时的电力负荷数据 作为测试样本；分别利用基于CMA/SMO的支持向量机（SVM)电力负荷预测方法、单一支持向 量机（SVM)电力负荷预测方法、BP神经网络电力负荷预测方法对该市2012年5月10日到 2012年5月21日连续12个工作日10:00的电力负荷进行预测；相关参数：1彡C彡10000， 0? 0001彡松弛因子e彡〇?l，〇. 〇1彡0彡800,S彡〇? 0001 ;用均方根相对误差（RMSRE) 作为评价指标进行预测结果分析，预测结果分析表如表1所示；电力负荷预测速度比较如 表2所示。
[0024] 表1预测结果分析表（％)
[0025]
[0026] 表2电力负荷预测速度比较
[0027]
[0028] 结合Matlab7. 1应用工具，利用3种电力负荷预测方法得到的电力负荷预测结果 比较图如图2所示；由表1、表2、图2可见：
[0029] (1)利用基于CMA/SM0的支持向量机（SVM)电力负荷预测方法对电力负荷进行预 测，预测速度仅为25秒，均方根相对误差（RMSRE)为2.36% ;利用单一支持向量机（SVM) 电力负荷预测方法对电力负荷进行预测，预测速度为166秒，是基于CMA/SM0的支持向量机 (SVM)电力负荷预测方法的7倍多，均方根相对误差（RMSRE)为3. 01% ;利用BP神经网络 电力负荷预测方法对电力负荷进行预测，训练速度虽然最快，但是均方根相对误差（RMSRE) 比基于CMA/SM0的支持向量机（SVM)电力负荷预测方法高出了 1. 32个百分点，BP神经网络 电力负荷预测方法与基于CMA/SM0的支持向量机（SVM)电力负荷预测方法相比并无明显优 势。基于CMA/SM0的支持向量机（SVM)电力负荷预测方法的电力负荷预测精度是最优的。
[0030] (2)均方根相对误差（RMSRE)的绝对值不大于3%说明电力负荷预测精度比较合 理，以均方根相对误差（RMSRE)绝对值不大于3%作为标准来衡量电力负荷预测水平，由 图2所示，利用基于CMA/SM0的支持向量机（SVM)电力负荷预测方法对电力负荷进行预 测，其电力负荷预测结果的12个点中有10个点的均方根相对误差绝对值小于3%，最小为 1. 11 %，是3种电力负荷预测方法中最优的。
[0031] 以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围 为准。
【主权项】
1. 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、最优化的核函数〇、最优化的估计精度S ;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、最优化的核函数〇、最 优化的估计精度S、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S是否小于0.0001，如果最优化的估计精度S小于 〇. 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)。
【专利摘要】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。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN104992247
【申请号】CN201510405883
【发明人】袁建普, 王涛, 王永利, 凌云鹏, 贺春光, 李树水, 马国真, 胡珀, 张欣悦, 刘鹏, 韩文源, 谢晓琳, 秦伟, 翟广心
【申请人】国家电网公司, 国网河北省电力公司经济技术研究院, 华北电力大学
【公开日】2015年10月21日
【申请日】2015年7月10日